GAN实战笔记中，如何应用第六章的PGGAN实现渐进式增长？

本文共计4909个文字，预计阅读时间需要20分钟。

渐进式生成对抗网络（PGGAN）结合TensorFlow和TensorFlow Hub（TFHUB）构建渐进式生成对抗网络（PGGAN）——一种能够生成高清真实感图像的前沿技术。

渐进式增长生成对抗网络（PGGAN）

使用 TensorFlow和 TensorFlow Hub( TFHUB)构建渐进式增长生成对抗网络( Progressive GAN, PGGAN或 PROGAN)——一种能够生成全高清的具有照片级真实感图像的前沿技术。这项技术在顶级机器学习会议ICLR2018上提出时引起了轰动，以至于谷歌立即将其整合为 TensorFlow Hub中的几个模型之一。这项技术被深度学习的鼻祖之一 Yoshua Bengio称赞为“好得令人难以置信”，在其发布后，立即成为学术报告和实验项目的最爱。

本章将给出如下两个主要例子。

1. PGGAN的关键创新部分的代码，具体来说，就是平滑地增大高分辨率层以及前面列出的其他3个创新点。
2. 谷歌在TFHub上提供了一个预训练好的且易于下载的实现。TFHub是一个用于机器学习模型的新的集中式仓库，类似于 Docker Hub或 Conda以及PyPI。此复现能够进行潜在空间插值以控制生成样本的特征。这会简要涉及生成器潜在空间中的种子向量，以便获得想要的图片。

这里使用TFHub而不是像其他章那样从头开始实现 PGGAN,原因有如下3个。

1. 尤其是对于从业人员，我们希望确保你了解到可以加快工作流程的软件工程最佳实践。想尝试快速用GAN解决问题吗？使用TFHub上的其中一种实现即可。TFHub现在有更多的实现，包括许多参考实现。因为这就是机器学习的发展方式——尽可能地使机器学习自动化，这样我们就可以专注于最重要的事情：产生影响。谷歌的 Cloud Automl和亚马逊的 Sagemaker是这种趋势的主要例子，甚至 Facebook最近都推出了 PyTorch Hub,所以两种主要机器学习框架现在都有一个仓库了。