背景介绍
WGAN-GP(Wasserstein Generative Adversarial Networks-Gradient Penalty):于2017年发表于NIPS，是WGAN的升级版本，WGAN理论的前提是1-Liposchitz条件，WGAN中使用的方法是权重裁剪，这不是一个非常好的办法，WGAN-GP使用了一种GP(Gradient Penalty, 梯度惩罚)的方法替代权重裁剪，构建了一个更加稳定，收敛更快，质量更高的生成式对抗网络。
WGAN
背景介绍
WGAN(Wasserstein Generative Adversarial Networks):于2017年提出，和LSGAN类似，没有对网络结构做太多修改，分析了GAN网络中判别器效果越好，生成器梯度消失越严重的问题，而且提出了一种新的损失函数，构建了一个更加稳定，收敛更快，质量更高的生成式对抗网络。
LSGAN
背景介绍
LSGAN(Least Squares Generative Adversarial Networks, 最小二乘生成式对抗网络):于2016年提出，分析了GAN网络中使用的交叉熵损失函数时可能会导致在饱和区收敛速度太慢，而且提出了一种新的最小二乘损失函数代替，构建了一个更加稳定，收敛更快，质量更高的生成式对抗网络。
COGAN
背景介绍
COGAN(Coupled Generative Adversarial Networks, 耦合生成式对抗网络):于2016年发表在NIPS上，只有两个以上模型才能称之为耦合，因此COGAN中存在两个生成模型和两个判别模型，而且共用某些网络层，实现耦合效果。
ACGAN
背景介绍
ACGAN(Auxiliary Classifier Generative Adversarial Networks, 辅助分类器生成式对抗网络):于2016年提出，是CGAN类型网络的升级版本，引入了Embedding层对类别标签进行处理，而且增加了类别分类网络，因此称之为辅助分类器生成式对抗网络。
CGAN
背景介绍
CGAN(Conditional Generative Adversarial Networks, 条件生成式对抗网络):于2014年提出，引入标签变量，可以通过控制其标签变量的值，产生不同类别的图像，其网络结构和GAN基本类似，只是多了一些条件变量的处理。
DCGAN
背景介绍
DCGAN(Deep Convolutional Generative Adversarial Networks, 深度卷积生成式对抗网络):于2016年发表于ICLR，是GAN类型网络的升级版本，其中改变的只是将GAN中的全连接层变为卷积层和上采样层，这样可以使用更少的参数实现更大像素图像的生成。
GAN
背景介绍
GAN(Generative Adversarial Networks, 生成式对抗网络):是GAN类型网络的初代版本，据说是Ian Goodfellow在2014年喝了一杯啤酒之后，在梦中产生的想法，我不禁感叹，大佬就是大佬啊，虽然现在这是最简单的生成式对抗网络模型，其效果也被很多模型超越，但是它的思想值得我们学习。
生成式对抗网络数据集
背景介绍
Generative Adversarial Networks(GAN, 生成式对抗网络):是一类深度学习模型，也是计算机视觉的新晋成员，由Ian J. Goodfellow在2014年10月提出，短短5年多的时间，已经有成百上千种不同的GAN网络被提出，可以说GAN的提出受到了广泛的关注。现在的GAN不仅仅只是生成网络，而其应用更是越来越广泛，包括图像生成，超分辨率提升，风格迁移等等。而且GAN的使用非常有趣，可以带领我们目睹从0到1的变化趋势。
熵，交叉熵，相对熵的关系
背景介绍
Entropy, Cross Entropy, Relative Entropy(熵，交叉熵，相对熵):在机器学习或者深度学习的过程中，避免不了与熵接触，但是熵是什么，小伙伴们是否有很多问号？感觉是那么回事，但是又无法说清楚。