GAN实战——TinyMind书法字体生成练习赛开始报名拉！ - 好文

生成式对抗网络（GAN）是近年来大热的深度学习模型。

目前GAN最常使用的场景就是图像生成，作为一种优秀的生成式模型，GAN引爆了许多图像生成的有趣应用。在图像生成模型的质量上，生成对抗网络技术可以说实现了飞跃，很多衍生模型已经在一定程度上解决了特定场景中的图像生成问题。此外，诸如文本到图像的生成、图像到图像的生成等应用研究也让工业界与学术界都非常“兴奋”，为人工智能行业带来了非常多的可能性。

为了带大家领略GAN的"优秀"，TinyMind特此策划了本次书法字体生成实战练习赛。

新手动手前，来补一波GAN吧~ <https://www.tinymind.cn/collections/481>

比赛规则

赛题要求参赛者利用GAN来生成多种样式的汉字字体，对于生成的文字图片，我们将采用Frechet Inception
Distance(FID)来作为评估标准，得分越低，代表生成的字体图片的质量和多样性就越好，相应的排名也就越靠前。

第一阶段评测时间：3月25日-4月24日；第一阶段结束后进入自由练习阶段。

1、参赛者最终需提交由模型生成出来的任选10000张图片，大小为128x128，格式为png或者jpeg，置于一个文件夹里生成ZIP格式压缩包，用于线上的FID评估。

（10000张，128x128， png/jpeg，.Zip，以上关键词一个都不能错）

2、本练习赛采用Frechet Inception
Distance(FID)来作为评估标准，得分越低，代表生成的字体图片的质量和多样性就越好，相应的排名也就越靠前。

3、第一阶段成绩以4月24日23:59前提交的结果为准。排行榜更新后为本阶段名次。

4、本次比赛可以个人形式和团队形式参与，每团队不超过5人。每账户每天最多提交5次。

5、本次比赛以学习交流为目的，我们将不定期邀请参赛大佬来分享思路，请注意交流群信息。

评估方法

关于FID的描述：公式中的μ代表mean，Σ代表covariance．Tr代表sums up all the diagonal
elements，x代表真实图片(原始数据集)，g代表生成的图片

FID参考资料：Martin Heusel, Hubert Ramsauer, Thomas Unterthiner, Bernhard Nessler,
and Sepp Hochreiter. GANs trained by a two time-scale update rule converge to a
local Nash equilibrium. In Advances in Neural Information Processing Systems,
2017

数据说明

本次竞赛共有4W张图片作为训练集，由训练集模型生成的新字体图片任选1W张通过以下方式提交第一阶段评分测试

训练集: https://pan.baidu.com/s/14CjjpdioBUcwJQkC5NQzrw
<https://pan.baidu.com/s/14CjjpdioBUcwJQkC5NQzrw> 提取码: nrfs

*训练集数据由中国书法网提供并持有版权。参赛人员不能把数据用于除参加本次比赛的其他目的，不能把数据共享给第三方或者发布到公共领域供第三方下载，不能利用本数据形成最终的产品或者服务。

练习赛交流群

扫码加助手微信，回复“字体练习赛”，进入练习赛交流群。

奖励

1、第一阶段排行榜前10名团队获得《生成对抗网络入门指南》一本。（每队一本，多人团队请内部协商）

本书结合基础理论与工程实践，深入浅出地讲解了生成对抗网络的各类模型以及技术发展。

感谢机械工业出版社华章科技友情赞助

2、比赛期间，鼓励大家分享经验心得，发布到TinyMind文章频道，经审核后，可获得一件纪念T恤。

热门工具换一换