生成式# 使用 FGSM 的对抗样本 什么是对抗样本？ 快速梯度符号法 原始图像 创建对抗图像 实现快速梯度符号法 后续步骤 自编码器简介 导入 TensorFlow 和其他库 加载数据集 第一个示例：基本自编码器 第二个示例：图像降噪 定义卷积自编码器 第三个示例：异常检测 概述 加载心电图数据 构建模型 检测异常 后续步骤 卷积变分自编码器 导入 Tensorflow 与其他库 加载 MNIST 数据集 使用 tf.data 来将数据分批和打乱 通过 tf.keras.Sequential 连接生成网络与推理网络 生成网络 推理网络 重参数化技巧 网络架构 定义损失函数和优化器 训练 生成图像 使用 epoch 编号显示图片 生成所有保存图片的 GIF 显示隐空间中数字的二维流形 后续步骤 CycleGAN 设定输入管线 输入管线 导入并重用 Pix2Pix 模型 损失函数 Checkpoints 训练 使用测试数据集进行生成 下一步 学习的数据压缩 概述 安装 定义训练器模型 计算速率和失真 训练模型 压缩一些 MNIST 图像 速率–失真权衡 使用解码器作为生成模型 深度卷积生成对抗网络 什么是生成对抗网络？ Import TensorFlow and other libraries 加载和准备数据集 创建模型 生成器 判别器 定义损失函数和优化器 判别器损失 生成器损失 保存检查点 定义训练循环 训练模型 创建 GIF 下一步 DeepDream 选择要梦境化的图像 准备特征提取模型 计算损失 梯度上升 主循环 调高八度 可选：按比例增加图块 pix2pix：使用条件 GAN 进行图像到图像的转换 导入 TensorFlow 和其他库 加载数据集 使用 tf.data 构建输入流水线 构建生成器 定义生成器损失 构建判别器 定义判别器损失 定义优化器和检查点 saver 生成图像 训练 恢复最新的检查点并测试网络 使用测试集生成一些图像 神经风格迁移 安装 导入和配置模块 呈现输入 使用 TF-Hub 进行快速风格迁移 定义内容和风格的表示 用于表示风格和内容的中间层 构建模型 风格计算 提取风格和内容 运行梯度下降 总变分损失 重新进行优化 了解更多
