Image processing 将原始数据作为图像提供给深度学习机，并期望为给定的类创建图像

我知道深度学习可以用很多很酷的东西来处理图像。 我面临的问题是： 是否有可能为多个类别创建一个大数据的位图图像，并将其提供给深度学习图像处理机器，并且在接受培训时，期望机器为给定类别生成一个图像

例如预测一场体育比赛；将每个游戏的静态图像作为输入，该类将是两个团队的名称。 因此，当我进入“新英格兰爱国者-西雅图海鹰”时，人工智能生成了一个图像，这是对游戏静态的预测

---

这样做有助于预测吗？

这是一个开放的研究主题，称为生成性对抗网络。可在此处找到对此的解释：

纸张使用示例：

youtube教程示例：

是否可以为多个类创建位图图像[…]，并将其提供给深度学习图像处理机器，并且在接受培训时期望机器为给定类生成图像

正如托马斯所写，你可能想看看的是“生成性对抗网络”（GAN）

然而，训练前馈多层感知器并不像训练前馈多层感知器那样简单。您不能简单地将类+噪波作为输入并期望它生成真实的输出图像。问题是：

有许多真实的图像（32px 32px，RGB->255^（32*32*3）可能的图像）

你只知道几百万张图片是真实的

解决方案是训练两个玩游戏的网络：生成网络G，生成图像。以及鉴别器网络D，其必须确定输入是来自发生器还是来自自然图像源

例如预测一场体育比赛；将每个游戏的静态图像作为输入，该类将是两个团队的名称。因此，当我进入“新英格兰爱国者-西雅图海鹰”时，人工智能生成了一个图像，这是对游戏静态的预测

我不知道我是否明白你想要什么。然而，如果你只是简单地想显示什么样的东西

“1:0”

作为一个形象。。。为什么要对显示部分使用机器学习？为什么不简单地预测结果（机器学习）并用通常的方法生成一个图像，可能只需要3行简单的代码

通过这么多优秀的图像处理在深度学习中的应用，它能帮助我比直接输入数据更快地获得结果吗

不，这只会增加复杂性，这必须通过图像处理算法来解决。在“解决”了您人为添加到数据集中的那些问题之后，它可以解决您本可以直接给它的问题

我在想，我可以在图像中显示更重要的数据，比如更大的目标分数，因此它对未来的结果有更大的影响

---

如果你知道什么是重要的，在哪种关系中，那么就不要使用机器学习。

我有点搞不懂你在问什么。所以你想训练机器输出一张包含游戏统计信息的图片，给定输入：“团队1”和“团队2”？是的，我想问的是，这是个好主意吗？我不确定这张图片的图像部分是否有用。该网络将花费大部分时间学习生成图像，而不是学习预测游戏统计数据。也许是一个网络，其中输出节点对应一个特定的统计数据：点数、袋数等。嗯，没错，但我的想法是，我可以在图像中显示更大的更重要的静态数据（如目标），这样有助于更好地学习数据。我想，一般来说，算法需要做的工作越多，获取有用数据的难度就越大。记住，机器不能像我们一样“看到”图像。想象一下，如果我对一堆数据进行位编码并让你学习它。你将不得不花大部分时间解码，而不是花太多时间学习任务。这里的这些算法也是如此。如果你想给重要的统计数据赋予更多的权重，你可以简单地在你的算法中加入一个权重项。谢谢托马斯，这真的很好地引导了我想去的地方，但我的问题还有另一部分，这项技术是预测体育比赛或类似类型数据的好方法吗？你的猜测和我的一样好。我想没有人试过这个。然而，这里有一个从文本生成图像的模型：。首先，感谢您的回复，其次，我输入到机器的图像就像一个二维码（无噪音），它具有游戏的所有静态，我所期望的图像与原始图像一样具有所有静态信息。然后，您可能应该更新问题并清楚地回答您的输入和预期输出。如果您的输入是图像统计，那么为什么不直接输入呢？为什么要对图像进行间接定向？这其实是我的问题，通过深度学习中这么多优秀的图像处理应用程序，它是否能帮助我更快地获得结果，而不仅仅是直接输入数据。而且，我想我可以在图像中显示更重要的数据，如目标分数更大，所以它对未来的结果有更大的影响。@AshkanGhodrat我已经扩展了我的答案。