访问官网
Github
文档
论文TensorFlow-GAN (TF-GAN)
TF-GAN 是一个轻量级库，用于训练和评估生成对抗网络（GANs）。
- 可以通过
pip install tensorflow-gan使用pip安装，并通过import tensorflow_gan as tfgan使用 - 提供经过充分测试的示例
- 在 Colab 中提供 TF-GAN 的交互式介绍
TF-GAN 库的结构
TF-GAN 由几个独立存在的部分组成：
- 核心：训练 GAN 所需的主要基础设施。可以使用任意组合的 TF-GAN 库调用、自定义代码、原生 TF 代码和其他框架来设置训练
- 特征：常见的 GAN 操作和规范化技术，如实例规范化和条件设置
- 损失：损失和惩罚，如 Wasserstein 损失、梯度惩罚、互信息惩罚等
- 评估：标准 GAN 评估指标。使用
Inception Score、Frechet Distance或Kernel Distance与预训练的 Inception 网络来评估无条件生成模型。也可以使用自己预训练的分类器获得更具体的性能数据，或使用其他方法评估条件生成模型 - 示例：如何使用 TF-GAN 的简单示例，以及更复杂的最先进示例
谁在使用 TF-GAN？
Google 内部的众多项目。以下是一些使用 TF-GAN 的已发表论文：
- 自注意力生成对抗网络
- 大规模 GAN 训练用于高保真自然图像合成
- GANSynth：对抗性神经音频合成
- Boundless：用于图像扩展的生成对抗网络
- NetGAN：通过随机游走生成图
- 判别器拒绝采样
- 用于私有、去中心化数据集的有效机器学习的生成模型
- 用于图像生成的语义金字塔
- GAN 介导的细胞图像批量均衡
Compare GAN 框架使用 TF-GAN，特别是评估指标。他们的论文使用 TF-GAN 确保一致且可比较的评估指标。其中一些论文包括：
- GANs 是平等创造的吗？大规模研究
- GAN 全景：损失、架构、正则化和规范化
- 通过精确度和召回率评估生成模型
- 使用更少标签的高保真图像生成
训练 GAN 模型
TF-GAN 中的训练通常包括以下步骤：
- 指定网络的输入
- 使用
GANModel设置生成器和判别器 - 使用
GANLoss指定损失 - 使用
GANTrainOps创建训练操作 - 运行训练操作
在每个阶段，您可以使用 TF-GAN 的便利函数，也可以手动执行该步骤以进行精细控制。
有各种类型的 GAN 设置。例如，您可以训练生成器无条件地从学习到的分布中采样，或者您可以基于额外信息（如类别标签）进行条件设置。TF-GAN 兼容多种设置，我们在经过充分测试的示例目录中进行了演示。
维护者
- （文档）David Westbrook，westbrook@google.com
- Joel Shor，joelshor@google.com，github
- Aaron Sarna，sarna@google.com，github
- Yoel Drori，dyoel@google.com，github
作者
- Joel Shor，joelshor@google.com，github
