### Содержание


* Часть 1: [ Введение ][1]
* Часть 2: [ _Manifold learning_ и скрытые (_latent_) переменные ][2]
* Часть 3: [Вариационные автоэнкодеры (_VAE_) ][3]
* Часть 4: [_Conditional VAE_][4]
* Часть 5: [_GAN_ (Generative Adversarial Networks) и tensorflow][5]
* **Часть 6: VAE + GAN**

В позапрошлой части мы создали **_CVAE_** автоэнкодер, декодер которого умеет генерировать цифру заданного лейбла, мы также попробовали создавать картинки цифр других лейблов в стиле заданной картинки. Получилось довольно хорошо, однако цифры генерировались смазанными.

В прошлой части мы изучили, как работают **_GAN’ы_**, получив довольно четкие изображения цифр, однако пропала возможность кодирования и переноса стиля.

В этой части попробуем взять лучшее от обоих подходов путем совмещения _вариационных автоэнкодеров_ (**_VAE_**) и _генеративных состязающихся сетей_ (**_GAN_**).

Подход, который будет описан далее, основан на статье **[Autoencoding beyond pixels using a learned similarity metric, Larsen et al, 2016]**.

![][6]

Иллюстрация из **_[1]_**
[Читать дальше →][7]

[1]: https://habrahabr.ru/post/331382/
[2]: https://habrahabr.ru/post/331500/
[3]: https://habrahabr.ru/post/331552/
[4]: https://habrahabr.ru/post/331664/
[5]: https://habrahabr.ru/post/332000/
[6]: https://habrastorage.org/web/7a1/8db/d39/7a18dbd3969048c2b085cc707e539f0c.png
[7]: https://habrahabr.ru/post/332074/?utm_source=habrahabr&utm_medium=rss&utm_campaign=feed_posts#habracut