一：预定目标

1. 系统学习git

2. 熟悉tensorflow

3. 深入了解神经网络，实现一些MLP、CNN神经网络，并看懂原理。

4. 理解GAN原理，用GAN生成图片，用GAN调节神经元控制图片亮度。

二：目前进度

Project 1. 通过经典手写数字识别学习MLP神经网络

a) 比较经典的神经网络，数据集是MUIST Database手写数字图像，输入时28*28的手写数字灰度图像。输入是784个神经元，中间为两个隐含层（每层16个神经元），和最后表达0-9数字的10个神经元输出层。

image.png

b) 重新认识了神经网络的数学原理，比如神经网络参数的训练推导，归一化函数（sigmoid函数和ReLU函数）梯度下降公式推导和反向传播算法等。

教程谈到一个较快求梯度下降的图形的trick。如果循环全部数据集才修正一次参数，速度会很慢（最快下降，但是速度慢），而只循环数据集的子集之后马上修正参数，参数修正速率会快很多（快速寻找相对下降的方向）。

image.png image.png

c) 在代码上，这个有可能自己手写算法实现，之后打算通过数学公式推导重写MLP神经网络。

image.png

d) 来源地址：

https://youtu.be/IHZwWFHWa-w
https://github.com/mnielsen/neural-networks-and-deep-learning</pre>

Project 2. 通过二次元头像生成学习GAN神经网络（李宏毅GAN2018）

1.理解Generator和Discriminator概念和对抗过程

image.png

2.生成器的模型和作用

image.png

3. 判别器的模型和作用

image.png

4. 生成对抗过程Algorithm

1. Fix generator G and update Discriminator D 用数据集和随机向量生成的图片训练判别器D识别图像真实程度

2. Fix Discriminator D and update generator G 训练生成器G生成能“骗过”判别器D的图像

3. 重复1，2过程，经典的GAN具体算法：经典的GAN神经网络除了对抗的思想，生成器和判别器的训练和一般的神经网络没有很大的区别。

image.png

4. 教程给出了一个例子。若确定GAN的第一个和最后一个向量，并在两者中间进行调整时，generator生成的图像会出现渐变的效果。案例的应用是控制神经元的某些参数可以达到生成相似正脸的图像，这个案例在重加光上有很好的类比作用。若用的数据集是很多不同加光的图像，就可能可以找到控制重加光的神经元。

image.png

5. 基本理解GAN神经网络的基本概念，下一步准备尝试实现经典GAN代码。

Project 3. 深度学习理解在人脸照片重加光上的应用

1. 题目理解：训练GAN神经网络，找到其中影响照片加光方向的神经元，调节某些神经元权重和偏置以控制生成照片的加光情况。

2. 大体思路：

   a) 用有加光方向影响的人物图像作为训练集，训练GAN神经网络。这样生成器生成的人物图像就会有不同加光影响。

   b) 很直接的想法是寻找权重较大的神经元进行控制，进行试错。更多的方法还需要进一步学习。

   c) 尝试多种GAN神经网络。如老师之前发的新闻中的BigGAN

三：总结和计划

1. 总结：总体而言，通过经典案例和教程比较泛的对所有需要的知识进行了复习和学习。下一步计划对原理和代码进行学习研究。

2. 计划：

• 实现对手写数字的代码实现。从数学推导掌握神经网络原理。

• 继续对GAN的学习。掌握原始GAN的思想和实现，接触其他GAN变形的原理和实现方法。

黄俊嘉

2018年10月14日