深度学习

神经网络是一种性能强大的学习算法，其灵感来自大脑的运作方式。类似于神经元在大脑中彼此连接的方式，神经网络获取输入，通过某些函数在网络中进行传递，连接在其后的一些神经元被激活，从而产生输出。

VAE的生成器能够利用连续潜在空间的矢量产生有意义的输出。通过潜在矢量探索解码器输出的可能属性。我们将使用VAE生成一些人脸图片，并且可以通过修改潜变量来控制人脸属性。

虽然改进了传统的神经风格迁移，但是仍然只能使用训练所得的固定数量的风格。因此我们要学习另一种允许实时任意风格迁移的神经网络模型，获得更多创意选择。

修改原始GAN，将表示形式分为合并和分离可解释的潜在编码向量，则可以告诉生成器要合成什么。InfoGAN可以学习分离的离散编码和连续编码，以修改生成器输出属性。

为了进行多样化图像转换，本文详解了BicycleGAN，BicycleGAN可以找到潜在编码z与目标图像B之间的关系，因此生成器可以在给定不同的z时学会生成不同的图像。

自注意力机制随着自然语言处理模型（称为“Transformer”）的引入而变得流行。可以利用自注意力来观察特征图中的每个像素，并将注意力集中在更加重要的像素上。

在本项目中，我们将使用 OpenCV 和 Flask 构建检测猫脸的深度学习 Web 应用程序，，最后通过实战测试使用 OpenCV 和 Flask 创建的 Web 猫脸检测 API。

尽管自回归模型在图像生成中并不常见，但自回归模型仍然是研究的活跃领域。在本文中，将介绍自回归模型并构建PixelCNN模型。

生成对抗网络包括两个组成部分：生成网络 G 的功能就是产生逼真的假钞试图欺骗鉴别器 D，鉴别器 D 通过学习真钞和生成器 G 生成的假钞来掌握钞票的鉴别方法。

WGAN缓解甚至消除了许多GAN训练过程中存在的问题。相较于原始GAN的其根本的改进是对损失函数的修改。本文介绍了WGAN及其变体WGAN-GP的详解与实现。

神经风格迁移使用CNN将一幅图像的艺术风格转移到另一幅图像。但神经风格迁移存在两个缺陷，因此许多论文和应用针对原始的神经风格迁移的缺点进行了改进。

归一化技术的改进是 GAN 中众多改进的一种，本文介绍常用于当前 GAN 中的像素归一化(或称为像素规范化)和频谱归一化(或称频谱规范化)。

变分自编码器（VAE）属于生成模型家族。VAE的生成器能够利用连续潜在空间的矢量产生有意义的输出。通过潜在矢量探索解码器输出的可能属性。本文对VAE进行详解，并使用TensorFlow而实现。

去噪自编码器 (Denoising Autoencoder, DAE) 的目的就是用来去除图像中的噪声。本文将利用Tensorflow2实现使用 MNIST 数据集的 DAE。

在生成对抗网络中使用 BN 会导致生成图片在一定程度上出现同质化的缺点。利用条件批归一化可以解决此问题，本文讲解了条件批归一化，并使用TensorFlow2进行实现。

GauGAN的主要创新是用于分割图的层归一化方法，称为空间自适应归一化(Spatial Adaptive Normalization, SPADE)。自此，GAN归一化家族中又添加了一新秀归一化技术。

自编码器的基本构建块是编码器和解码器。编码器负责将高维输入减少为一些低维潜（隐）变量。解码器是将隐变量转换回高维空间的模块。本文对自编码器的原理进行详解，同时使用tensorflow2实现自编码器。

神经风格迁移使用CNN将一幅图像的艺术风格转移到另一幅图像。神经风格迁移仅需要两个图像——内容图像和样式图像。可以使用经过训练的CNN模型(例如VGG)将风格从风格图像迁移到内容图像上。