DeepMind的TF Hub demo詮釋「史上最強(qiáng) GAN 圖像生成器」

　　上圖是樣本生成單元格的控制界面，可以控制：生成樣本數(shù)量、截?cái)嘀?、噪聲種子、和類別的參數(shù)。我們可以看看下圖的例子來(lái)說(shuō)明各自的作用。

　　如上圖所示，很容易看出，生成樣本數(shù)量(10)和類別(芝士漢堡)就是字面的意思，那么截?cái)嘀?、噪聲種子分別有什么作用呢?僅用一張圖看不出來(lái)，我們修改一下參數(shù)看看區(qū)別就行了。

　　這時(shí)，我們只需要拖動(dòng)滑塊來(lái)修改參數(shù)，然后 Colab 會(huì)立刻執(zhí)行新參數(shù)設(shè)置下的任務(wù)，但這也意味著我們一次只能修改一個(gè)參數(shù)。

　　經(jīng)過(guò)多次實(shí)驗(yàn)，我們發(fā)現(xiàn)，截?cái)嘀翟酱?，生成樣本的多樣性越?實(shí)際上，截?cái)嘀悼刂频氖请[變量分布(一般呈高斯型)的截?cái)嗑嚯x，也就是采樣范圍，因此不難理解其對(duì)多樣性的作用。

　　從上到下：截?cái)嘀禐?0.02、0.26、0.58、1.0 的芝士漢堡生成結(jié)果。

　　而噪聲種子的值對(duì)生成結(jié)果的影響主要是每次生成樣本的初始條件，從而最終生成結(jié)果也會(huì)不同，可以用它來(lái)改善生成多樣性。

　　最后是類別參數(shù)的控制，該 Colab 中提供了 1000 個(gè)類別選項(xiàng)，可玩性很足，但要找到自己想要的類別實(shí)在有點(diǎn)困難。可以這樣操作，雙擊這個(gè)單元格，代碼會(huì)顯示在左側(cè)，右側(cè)會(huì)出現(xiàn)鉛筆圖標(biāo)，點(diǎn)擊該圖標(biāo)后就能查看完整列表，在這個(gè)列表下用 Ctrl+F 搜索類別的編號(hào)，再返回修改，這樣就簡(jiǎn)單多了。

　　我們嘗試生成了埃及貓(285)和大熊貓(388)的樣本：

　　可以發(fā)現(xiàn)，埃及貓的眼神不太對(duì)，大熊貓有點(diǎn)營(yíng)養(yǎng)不良。論文給出的結(jié)果很真實(shí)自然，但在這個(gè) Colab 實(shí)驗(yàn)中我們也能發(fā)現(xiàn)存在很多「不自然」的生成樣本。

　　接下來(lái)，我們來(lái)嘗試圖像插值任務(wù)。

　　如上圖所示，這個(gè)任務(wù)的可控參數(shù)有：樣本數(shù)量、插值數(shù)量、截?cái)嘀?、噪聲種子、以及用于插值的圖像類別 A 和 B。樣本數(shù)量是指每次插值時(shí)類別 A 和類別 B 的的初始樣本數(shù)量，如下圖所示樣本數(shù)量為 2。下圖展示了一些示例，供大家參考。注意該圖像插值是生成樣本之間的插值，所以左右兩側(cè)的原圖也會(huì)有些不自然。

　　圖像插值結(jié)果示例，其中樣本數(shù)量為 2、插值數(shù)量為 5、截?cái)嘀禐?0.2、噪聲種子為 0、類別 A 為金毛、類別 B 為雞。

　　其它參數(shù)不變，插值數(shù)量為 10 的插值結(jié)果示例。

　　金毛和埃及貓的圖像插值結(jié)果。

　　知道怎么用了吧?自己去耍吧～