Introduction
DL学习路线
Case Study
经典网络
残差网络
1*1卷积
Inception网络
Seq2Seq
注意力模型
Memory Netowrk
指针网络
循环网络
RNN的各种应用
Highway Network
CV
目标定位
Landmark Detection
目标检测
滑动窗口算法
YOLO算法
候选区域算法
风格迁移
人脸验证与人脸识别
Siamese Network
三元组损失函数
Domain-Adversarial Training
人体姿态估计HPE
DeepPose
实践
读入VGG16预训练模型
基于预训练模型的图像重构
基于预训练模型的风格重构
NLP
语言模型
词汇表征
One-hot Embedding
Word Embedding
类比推理
用语言模型学习Embedding Matrix
Word2Vec算法
skip-grams算法
负采样算法
词向量算法
词嵌入除偏
Embedding
情绪分类
NMT
语音
音频预处理
语音辨识
触发字检测
通用问题
Zero Shot问题
深度自编码器
Deep Learing VS Structured Learning
生成对抗网络 GAN
深度生成模型
条件生成对抗网络
非监督条件生成
GAN的理论基础
通用框架
LSGAN
WGAN
Energy-based GAN
Info GAN
VAE GAN
BiGAN
Domain Adversarial Training
照片编辑应用
序列生成的应用
GAN的估计
增强学习 RL
增强学习
Policy Based
Basic Version
公式改进
off-policy
近端优化策略
Value Based
value function
Q-Learning
Q-Learning的改进算法
Q-Learning Vs Policy Based
Q-Learning结合Policy Based
复习
A3C
Pathwise Derivative Policy Gradient
稀疏奖励
模仿学习
其它
异常侦测
case 1:labelled data
case 3:polluted unlabelled data
对抗模型 attack ML models
攻击
防御
模型的可解释性 Explainable ML
Life Long Learning
Meta Learning
Published with GitBook
照片编辑应用
已知有一个G,可以根据G的向量z生成图像x。
那么怎么找到z?
解决方法:
利用G训练一个encoder,利用D初始化encoder
对于一张输入图像Image:
用以上方法反推出它的vector
以调头发长短为例,把所有短发Imge的vector取平均,得到v1,把所有长发Imge的vector取平均,得到v2
v2 - v1 = 修改头发长短的向量,
z
l
o
n
g
=
1
N
1
∑
l
o
n
g
E
n
(
x
)
−
1
N
2
∑
s
h
o
r
t
E
n
(
x
)
z_{long} = \frac{1}{N_1}\sum_{long}En(x) - \frac{1}{N_2}\sum_{short}En(x)
z
l
o
n
g
=
N
1
1
∑
l
o
n
g
E
n
(
x
)
−
N
2
1
∑
s
h
o
r
t
E
n
(
x
)
短发 x -> En(x) + z_long -> z' -> G(z')长发
results matching "
"
No results matching "
"