这里就涉及到WGAN-GP的训练代码，这一部分相对比较繁琐，和传统的GAN相比，关键就是损失函数的计算和梯度的计算。还是建议大家先读机器学习-生成对抗网络变种（三），有个基础概念。涉及到公式的地方我会着重说明。Part2WGAN-GP训练过程：主函数(主要部分):for epoch in range(epochs):for _ in range(5):batch_z = tf.random.nor

深度学习一些基础内容，为后面的学习打基础

背景介绍：MNIST数据集识别黑白的手写数字图片，不适合彩色模型的RGB三通道图片。本次实战利用深度残差网络对CIFAR10数据集进行分析与学习。有不懂的地方可以看代码下面的解释与讲解

本篇是自编码器实战，和之前相同的是数据集加载过程，但需要注意不使用标签信息。此处的自定义类，训练过程等都是换汤不换药，但图片重建是我们之前没接触到的，大家可以认真看一下。对于神经网络的学习关键要明白输入是什么，输出是什么，包括数值形状等。

​本篇主要内容是变分自编码器VAE的实战，希望大家可以对比机器学习-自编码器AE实战（二）进行对照学习，尤其是在自定义VAE类，以及网络训练部分，会有较大的不同。​

​上一篇文章简单介绍了WGAN-GP的原理，本文来实现WGAN-GP的实战。还是建议大家先读机器学习-生成对抗网络变种（三）。之前的博客写了DCGAN的实战代码，实际上在生成器和判别器网络构建方面都相差不大。大家可以参照机器学习-生成对抗网络实战（二-1），进行对照学习。​

本文为循环神经网络的基础文章，读完该篇文章因该会对循环神经网络有一个大概的认识。详细实战代码放在下一节。

​本篇主要内容是变分自编码器VAE的实战，希望大家可以对比机器学习-自编码器AE实战（二）进行对照学习，尤其是在自定义VAE类，以及网络训练部分，会有较大的不同。​

​上一篇文章简单介绍了WGAN-GP的原理，本文来实现WGAN-GP的实战。还是建议大家先读机器学习-生成对抗网络变种（三）。之前的博客写了DCGAN的实战代码，实际上在生成器和判别器网络构建方面都相差不大。大家可以参照机器学习-生成对抗网络实战（二-1），进行对照学习。​

本篇主要介绍了DCGAN，BigGAN，WGAN，WGAN-GP。繁琐的公式推导并没有呈现，直接给出结论，简单易懂。