个人技术分享

【机器学习】生成对抗网络 (Generative Adversarial Networks | GAN)

生成对抗网络 (Generative Adversarial Networks，简称GAN) 是一种强大的深度学习模型，用于生成具有逼真感的图像、音频和文本等内容。GAN 的核心理念是通过训练两个神经网络，生成器 (Generator) 和判别器 (Discriminator)，它们相互对抗、相互学习，以提高生成器生成数据的质量。本文将介绍GAN的基本原理、工作流程以及应用场景，旨在为新手小白提供一个简单易懂的入门指南。

三菱电子推出16W GaN PA，用于大规模MIMO

在发射端与接收端，MIMO巧妙地运用了多个发射天线和接收天线，如同一位技艺高超的指挥家，引导信号在多个天线间穿梭，编织出一幅幅清晰流畅的通信画面，从而显著提升了通信质量。MIMO技术的魅力在于其空间资源的充分利用。通过多个天线的协同工作，实现了多发多收的通信模式，不仅在不增加频谱资源和天线发射功率的前提下，大幅度提升了系统信道容量，更展示了其独特的优势，成为下一代移动通信的核心技术。这款PAM如同一位高效的指挥家，通过减少所需的PAM数量，巧妙地扩大了5G mMIMO基站的通信范围，并降低了制造成本。

生成对抗网络——GAN（代码+理解）

一、GAN模型介绍GAN，全称 Generative Adversarial Network，即生成对抗网络，是一种基于对抗学习的深度生成模型。该模型由Ian Goodfellow在 2014年首次提出，并迅速成为学术界研究的热点，推动了生成模型领域的发展。GAN模型主要由两部分组成：生成器（Generator）和判别器（Discriminator）。，其输入是随机噪声，输出则是生成的样本。。2. 判别器：判别器模型同样。

【人工智能Ⅱ】实验8：生成对抗网络

实验8：生成对抗网络一：实验目的1：理解生成对抗网络的基本原理。2：学会构建改进的生成对抗网络，如DCGAN、WGAN、WGAN-GP等。3：学习在更为真实的数据集上应用生成对抗网络的方法。二：实验要求1：理解生成对抗网络改进算法的改进内容和改进目的。2：参考课程资源中的2024年春第八次实验代码，完成生成对抗网络改进算法WGAN或DCGAN网络的实现。3：在Fashion MNIST数据集上验证生成对抗网络改进算法的效果，并对其进行调优。4：在玉米数据集上验证生

文生图模型演进：AE、VAE、VQ-VAE、VQ-GAN、DALL-E 等 8 模型

本文中我们从 AE（AutoEncoder）模型出发，逐步介绍了 VAE（Variational Autoencoder），VQ-VAE（Vector Quantised VAE）、VQ-VAE-2 以及 VQ-GAN 等工作。然而这些工作往往用于无条件生成，或者有条件的类别、图像等，其往往不支持文本输入，或者相关能力很弱。从 21 年初 DALL-E 的发布，文生图的模型开始大量出现。基于此，我们也进一步介绍了 DALL-E、DALL-E mini 和 CLIP-VQ-GAN 等模型。

Guer完成对Gallium Semi的GaN产品组合的收购

两家公司都有共同的GaN和GaAs产品代工厂合作伙伴，并瞄准类似的应用和细分市场。Guerrilla RF将继承各种已发布和抽样产品，包括简单的、无与伦比的晶体管，以完全集成的不对称Doherty PA。这些产品的额定峰值功率水平从5W到400W不等，与Guerrilla RF现有的InGaP HBT和GaAs pHEMT放大器产品组合相辅相成，这些产品适用于2W及以下的功率水平。通过整合这些资产，该公司打算显著加强其正在进行的开发和商业化专为无线基础设施、军事和卫星通信应用而定制的新型GaN器件的努力。