张宏伦

简介介绍强化学习（ReinforcementLearning，RL）的概念，并用DQN训练一个会玩FlappyBird的模型FlappyBird这个游戏很多人都玩过，很虐，以下是一个用pygame重现

以G为例，维护一个历史假Y图片集合，例如50张。每次G生成假Y之后将其加到集合中，再从集合中随机地取出一张假Y，和一张真Y一起输入给判别器进行判别。这样一来，假Y集合代表了G根据X生成Y的平均能力，使得训练更加稳定

训练模型，CelebA中男女比例均衡，因此每次迭代随机取一批数据训练即可。但现在由于原始数据中各类标签分布不均匀，所以需要完整地迭代数据 生成的二次元头像如下，每一行对应的头发颜色、发型、眼睛颜色相同，其他属性随机。少部分结果不太好，可能是某些噪音或条件的问题

和CGAN不同的是，C不直接输入D。D不仅需要判断每个样本的真假，还需要完成一个分类任务即预测C，通过增加一个辅助分类器实现 定义损失函数，加上分类部分对应的损失。理论上分类问题应该用交叉熵作为损失函数，这里使用MSE效果也不错 固定条件，渐变噪音。

更重要的是，WGAN提供了一种更稳定的GAN框架。DCGAN中的G去掉Batch Normalization就会崩掉，但WGAN则没有这种限制 如果用Deep Convolutional结构实现WGAN，那么其结果和DCGAN差不多。但是在WGAN的框架下，可以用更深更复杂的网…

图像：四维tensor，NHWC，即样本数量、高度、宽度、通道数。用conv2d，卷的是中间的两个维度，即高度和宽度 文本序列：三维tensor，NTE，即样本数量、序列长度、词向量维度。用conv1d，卷的是中间的一个维度，即序列长度。和N-gram类似，词向量维度对应通道数

简介Dlib由C++编写，提供了和机器学习、数值计算、图模型算法、图像处理等领域相关的一系列功能官方网站：http://dlib.net/Github项目：https://github.com/dav

简介使用TensorFlow实现中文词向量的训练，并完成一些简单的语义任务回顾在全栈课程中介绍过如何使用gensim训练中文词向量，即词嵌入（WordEmbedding）http://study.16

简介用TensorFlow实现一个手部实时检测器和Inception-v3通过迁移学习实现定制的图片分类任务类似在上节课内容的基础上，添加手部标注数据，并使用预训练好的模型完成迁移学习数据手部检测数据