user843085402811

今天要为大家带来一种常见的机器学习算法———Adaboost。本文将从Adaboost的原理入手，和大家详细唠唠Adaboost的原理，然后会通过一个小案例来帮助大家更深入的理解Adaboost算法。

本文介绍了一种实现Lipschitz 连续条件的新方法——SpectralNormalization，以实现更稳定的GAN，快来看看叭🌱🌱🌱

本文为大家介绍了DCGAN的主要思想，对其提及的转置卷积进行了详细解释。并且使用DCGAN网络搭建了模型，实现了人脸图像的生成。

本文介绍了一个可玩性非常强的GAN网络——GycleGAN，可以实现各种风格的转换。如将一张自己拍摄的美景转换为梵高莫奈等风格的图画，让你体验一次当美术大家的感觉，也可以打造专属动漫头像，十分有趣。

本文介绍了一种用在缺陷检测中的GAN网络——AnoGAN。文章详细介绍了AnoGAN的原理，并用一个小demo辅助大家理解，最后也提出了AnoGAN的缺陷。在下一篇文章我将采用新的结构来解决它的缺陷。

本文为大家介绍了一种AnoGAN的改进的缺陷检测方法，在训练阶段使用了编码器结构将真实图片映射为潜在变量，测试阶段直接利用训练好的编码器获取潜在变量，大幅度减少了测试所有时间。

本文详细介绍了WGAN的原理，从通俗的角度带大家理解WGAN的原理。并且在代码实现中给出了WGAN较原始GAN做出的4点改变，让你能够搭建自己的WGAN网络。

本文为大家介绍另外一种异常检测的GAN网络——GANomaly。文中对GANomaly的原理进行了详细解释，并截取了核心代码辅助大家理解。相信你阅读后会对GANomaly有一个清晰的认识。

本文从知识的输入，到文章结构的安排，再到画图，下笔直至最后的完成花费了两周时间，参考了很多资料，把一些资料中比较好的观点融入文章之中，用通俗的语言带你了解transformer，希望你能够有所收获！