在Tensorflow2中实现了许多生成模型GAN，VAE，Seq2Seq，VAEGAN，GAIA、Spectrogram Inversion。一切都在jupyter笔记本中的编写，便于输出到colab。

VAE_GAN_PyTorch 生成模型的集合（VAE，CVAE，GAN，DCGAN）

针对长 短期记忆网络（LSTM） 在行人轨迹预测问题中孤立考虑单个行人，且无法进行多种可能性预测的问题，提出基于注意力机制的行人轨迹预测生成模型（AttenGAN），来对行人交互模式进行建模和概率性地对多种合理可能性进行预测。AttenGAN 包括一个生成器和一个判别器，生成器根据行人过去的轨迹概率性地对未来进行多种可能性预测，判别器用来判断一个轨迹是真实的还是由生成器伪造生成的，进而促进生成器生成符合社会规范的预测轨迹。生成器由一个编码器和一个解码器组成，在每一个时刻，编码器的LSTM综合注意力机制给出的其他行人的状态，将当前行人个体的信息编码为隐含状态。预测时，首先用编码器LSTM的隐含状态和一个高斯噪声连接来对解码器LSTM的隐含状态初始化，解码器LSTM将其解码为对未来的轨迹预测。在ETH和UCY数据集上的实验结果表明，AttenGAN模型不仅能够给出符合社会规范的多种合理的轨迹预测，并且在预测精度上相比传统的线性模型（Linear）、LSTM模型、社会长短期记忆网络模型（ S-LSTM）和社会对抗网络（ S-GAN）模型有所提高，尤其在行人交互密集的场景下具有较高的精度性能。对生成器多次采样得到的预测轨迹的可视化结果表明，所提模型具有综合行人交互模式，对未来进行联合性、多种可能性预测的能力。   行人轨迹预测是指根据行人过去一段时间 的轨迹，预测其未来的轨迹，该技术在自动驾驶“和服务机器人导航中都有着广泛的应用。行人在决策的过程中比较灵活主观，甚至完全相同的场景，不同的人都会采取不同的决策。

半监督学习以改善肺癌的检测 使用生成模型和半监督学习促进肺癌检测 用于训练的数据集 LUNA16数据集（ ） Kaggle数据科学碗2017（ ） 建筑学 结果 结节检测器结果 发电机结果 分类器结果 方法 准确性 监督学习 64％ 半监督学习 87.3％ 资源 Kaggle数据科学碗2017内核 Luna2016-肺结节检测 Tensorflow中的半监督学习GAN [链接] DSB2017 [链接] Keras-GAN [链接] 使用很少的数据构建强大的图像分类模型[link] 贡献者： Dhamodhran（ @ svella9 ） 悉达思R科蒂（ siddharthkoti ） 维杰·蒙达拉吉（ Vijay-Mundaragi ）

增强生成模型项目具体实现

颜色熵matlab代码文本生成模型LSTM-CNN-HMM 文本的生成模型（a）在这个问题中，我们试图建立一个生成模型，以模仿英国著名数学家，哲学家，多产作家和政治活动家贝特朗·罗素的写作风格。 （b）从Project Gutenberg下载以下书籍。 org / ebooks / author / 355的文本格式：i。 ii。 iii。 iv。 哲学问题分析心灵的神秘主义和逻辑以及其他论文我们对作为哲学科学方法领域的外部世界的了解古腾堡（Gutenberg）在每本书中都添加了标准的页眉和页脚，但这不是原文的一部分。 在文本编辑器中打开文件，然后删除页眉和页脚。 页眉是显而易见的，并以以下文本结尾：***此项目的开始Gutenberg EBOOK询问含义和真相***页脚是以下文本行之后的所有文本：THE END拥有一个更好的模型，强烈建议您从国会图书馆下载以下书籍，并将其转换为文本文件：i。 西方哲学史ii。 物质分析iii。 对意义和真理的探究尝试只使用书中的文字，并在文字前后扔掉不需要的文字，尽管在大型语料库中，这些文字被认为是杂音，不会造成大问题。 1个 （c）LSTM：训练L

Retry 【从训练集中抽取10%随机测试，训练集22500 测试集2500】【精度损失明显】 2020.3.27 预测结束,总错误数为1129,准确率为0.90948【C1模型】【标准训练集】 2020.3.27 预测结束,总错误数为227,准确率为0.90920 【C1模型】【切割训练集】 Retry 【在B2模型基础上增加epoch】【B3、4模型】【过拟合？效果可能不理想？】 2020.3.27 预测结束,总错误数为1208,准确率为0.90315 【B3模型】【+1 epoch】

微软亚洲研究院关于生成模型的课程讲义，内容如下 • Overview • Plain Generative Models • Autoregressive Models • Latent Variable Models • Deterministic Generative Models • Generative Adversarial Nets • Flow-Based Generative Models • Bayesian Generative Models • Bayesian Inference (variational inference, MCMC) • Bayesian Networks • Topic Models (LDA, LightLDA, sLDA) • Deep Bayesian Models (VAE) • Markov Random Fields (Boltzmann machines, deep energy-based models)

行业分类-物理装置-基于内容感知生成模型的图像修复方法.zip

使用MATLAB将电力系统扰动视为由正常信号和暂降、骤升、停电、振荡瞬态、谐波、谐波暂降和谐波暂升等八类干扰信号组成的分类问题。