CycleGAN 是一个图像处理工具，可将绘画作品生成照片。可以把它理解为是一个 “反滤镜”，该工具来自来自加州大学伯克利分校。
将画作还原成照片
当然，把画作转化成照片是一个较小的需求，CycleGAN 利用这项技术实现了更为实用的功能：将夏天转换成冬天，或将普通的马转化成斑马。
与其它人工智能绘画不同，CycleGAN 的研究团队试图建立一个可双向转化不丢失信息的双向算法。在以往的人工智能绘画，尤其是将照片转化成绘画的 App 里，人工智能其实忽略了很多无法与算法对应的细节，使得细节丰富的照片被转化成细节没那么丰富并带有风格化特征的图片。
但在 CycleGAN 里细节被要求完全保留，尽管算法找不到可以对应的元素。研究人员希望能够将一张图片输入 CycleGAN 后进行多次反复转化（照片→绘画→照片→绘画→照片），最终可以获得与原始照片相同或相近的图片。
除了每次转化后要丢失一些像素外，CycleGAN 在循环转换中的表现不错
为了实现这一点，研究团队必须以机器可以理解的方式去描述每种风格之间的关系，并给机器 “吃下” 大量来自 Flicker 的照片进行训练，再人工去纠正机器在训练过程中产生的错误。CycleGAN 目前在针对几何、颜色和风格上的转化都不错。
环境要求：
Linux or OSX
NVIDIA GPU + CUDA CuDNN (CPU mode and CUDA without CuDNN may work with minimal modification, but untested)
For MAC users, you need the Linux/GNU commands
gfindandgwc, which can be installed withbrew install findutils coreutils.
部分内容来自：品玩
-
摘要 摘 要 在东亚，书写汉字一直是一项重要的技能。然而，由于汉字数量大，手写汉字的自动生成面临着很大的挑战。目前已有各种机器学习技术用于汉字识别，但对手写体汉字的生成问题，特别是在训练数据不配对的情况下，研究较少。在这项工作中&#
-
本文向大家介绍什么是生成对抗网络？相关面试题，主要包含被问及什么是生成对抗网络？时的应答技巧和注意事项，需要的朋友参考一下 GAN网络有两个重要的概念，一个是generator，主要作用是生成图片，尽量使其看上去来自于训练样本，一个是discriminator，主要作用是判断输入图片是否属于训练样本，所以这就是被称为对抗的网络，举例赝品家和鉴赏家
-
本期我们来聊聊GANs（Generativeadversarial networks，对抗式生成网络，也有人译为生成式对抗网络）。GAN最早由Ian Goodfellow于2014年提出，以其优越的性能，在不到两年时间里，迅速成为一大研究热点。 GANs与博弈论 GANs是一类生成模型，从字面意思不难猜到它会涉及两个“对手”，一个称为Generator（生成者），一个称为Discriminator
-
本文向大家介绍简述下什么是生成对抗网络？相关面试题，主要包含被问及简述下什么是生成对抗网络？时的应答技巧和注意事项，需要的朋友参考一下 GAN之所以是对抗的，是因为GAN的内部是竞争关系，一方叫generator，它的主要工作是生成图片，并且尽量使得其看上去是来自于训练样本的。另一方是discriminator，其目标是判断输入图片是否属于真实训练样本。 更直白的讲，将generator想象成假币
-
人工神经网络指由大量的神经元互相连接而形成的复杂网络结构。以人的视觉系统为例，人的视觉系统的信息处理是分级的，高层的特征是低层特征的组合，从低层到高层的特征表示越来越抽象，越来越能表达语义或者意图。人工神经网络提出最初的目的是为了模拟生物神经网络传递和处理信息的功能。它按照一定规则将许多神经元连接在一起，并行的处理外接输入信息。人工神经网络的每一层都有若干神经元并用可变权重的有向弧连接，具体训练过程是通过多次迭代对已知信息的反复学习并调整改变神经元的连接权重。
-
译者：cangyunye 作者: Nathan Inkawhich 如果你正在阅读这篇文章，希望你能理解一些机器学习模型是多么有效。现在的研究正在不断推动ML模型变得更快、更准确和更高效。然而，在设计和训练模型中经常会忽视的是安全性和健壮性方面，特别是在面对欺骗模型的对手时。 本教程将提高您对ML模型安全漏洞的认识，并将深入探讨对抗性机器学习这一热门话题。您可能会惊讶地发现，在图像中添加细微的干扰
-
我正在尝试重新创建在原始出版物“用于图像识别的深度残差学习”中所做的对ImageNet数据集的数据预处理。正如他们的论文第3.4节所说：“我们对ImageNet的实现遵循了[21,41]中的实践。图像的大小被调整，其短边在[256,480]中随机采样以进行缩放[41]。从图像或其水平翻转中随机采样224×224裁剪，减去每个像素的平均值[21]。使用了[21]中的标准颜色增强。” 我已经弄清楚了随
-
我已经做了一个程序，它能够捕捉网络摄像头的帧，并在运行不同的每像素算法后显示它们——例如制作图像灰度。目前我正在使用FastBitmap类（找不到链接atm），它使用指针来设置和获取位图中的像素。 然而，我想让我的程序多线程，以便多个线程在同一个图像上工作。为此，我通过BitmapData将图像分割成几个部分（每个线程一个部分），并让不同的线程处理它们给定的部分BitmapData。最后，一个“管
-
大多数图像处理和操作技术可以使用两个库进行有效的处理：Python Imaging Library (PIL) 和 OpenSource Computer Vision (OpenCV)。 下面来简单介绍一下这两个库。 Python 图像库 Python 图像库, 全称为 Python Imaging Library，简称PIL，是Python图像操作的核心库之一。遗憾的是，PIL 的开发工作已经