在这篇文章中，我将向您展示如何生成可能在现实生活中不存在的新人脸。我将使用生成对抗网络（GAN）来完成任务。我正在使用CelebA数据集来训练网络。该数据集包含2,00,000个知名人物的图像。我假设您对GAN有理论上的理解。我将在本教程中使用Tensorflow框架。

这就是我们的管道的样子

1. 归一化图像。
2. 创建Generator和Discriminator网络。
3. 训练神经网络并生成新面孔。

生成式对抗网络（GANS），是2014年Ian Goodfellow在论文Generative Adversarial Nets中提出来的。 从提出之后开始就在人工智能领域引起了强烈的反响，大量基于GANS的框架和Demo层出不穷，在国际顶级期刊和会议上也屡屡能见其踪影。Yann LeCun曾评价GANs是“20年来机器学习领域最酷的想法”。本文以在图像领域表现效果较好的GANs衍生模型DCGANS为基础，带大家全面了解一下GANS算法。

本文首先介绍GANS算法，然后介绍DCGANS算法，最后带大家熟悉一下基于Tensorflow的DCGANS图像生成Demo。

阿里近几年公开的推荐领域算法有许多，既有传统领域的探索如MLR算法，还有深度学习领域的探索如entire -space multi-task model，Deep Interest Network等，同时跟清华大学合作展开了强化学习领域的探索，提出了MARDPG算法。

上一篇，我们介绍了MLR算法，通过分而治之的思想改进了传统的LR算法，使其能够拟合更复杂的线性关系。这一篇，我们来简单理解和实现一下阿里在去年提出的另一个重要的推荐系统模型-深度兴趣网络(DIN,Deep Interest Network). 该方法由盖坤大神领导的阿里妈妈的精准定向检索及基础算法团队提出，充分利用/挖掘用户历史行为数据中的信息来提高CTR预估的性能。

「机器人圈导览」： 生成对抗网络无疑是机器学习领域近三年来最火爆的研究领域，相关论文层出不求，各种领域的应用层出不穷。那么，GAN到底如何实践？本文编译自Medium，该文作者以一朵玫瑰花为例，详细阐述了GAN的原理，以及基于谷歌TensorFlow的实现，文章略长，阅读大约需要15分钟。

想象有一天，我们可以利用一个神经网络观看电影并制作自己的电影，或者听歌和创作歌曲。神经网络将从它看到的内容中学习，而且你并不需要明确地告诉它，这种使神经网络学习的方式被称为无监督学习。

tensorflow自带的seq2seq模型基于one-hot的词嵌入，每个词用一个数字代替不足以表示词与词之间的关系，word2vec通过多维向量来做词嵌入，能够表示出词之间的关系，比如：男-女≈王子-公主。基于seq2seq的思想，利用多维词向量来实现模型，预期会有更高的准确性。

seq2seq模型原理

主要参考《Sequence to Sequence Learning with Neural Networks》这篇论文，核心思想如下图：

这篇文章总结，深度学习的框架：TensorFlow 的基本接口和操作类型。

01

Operations分类预览

02

Tensor

1 0-d tensor, or "scalar"