生成式对抗网络.ppt

二、火灾 在时间和空间上都失去控制的燃烧称为火灾。根据国家标准GB/T4968—2008 《火灾分类》,将火灾分为六类。 三、爆炸与爆炸极限 爆炸极限是可燃气体(或蒸气、粉尘)在空气中能发生燃烧或爆炸的浓度范围。 如一氧化碳的爆炸极限(体积分数)为12.5%~74.5%,即一氧化碳在空气中的浓度低于12.5%或高于74.5%都不能燃烧或爆炸。 可燃性混合物的爆炸极限范围越宽、爆炸下限越低和爆炸上限越高时,其爆炸危险性越大。这是因为爆炸极限越宽则出现爆炸条件的机会就多;爆炸下限越低则可燃物稍有泄漏就会形成爆炸条件;爆炸上限越高则有少量空气渗入容器,就能与容器内的可燃物混合形成爆炸条件。应当指出,可燃性混合物的浓度高于爆炸上限时,虽然不会着火和爆炸,但当它从容器或管道里逸出,重新接触空气时却能燃烧,仍有发生着火的危险。 爆炸极限值受各种因素变化的影响,主要有:初始温度、初始压力、惰性介质及杂质、混合物中氧含量、点火源等。 初始温度越高,爆炸范围越大。这是由于其分子内能增大,使爆炸下限降低、爆炸上限增高。 混合物中加入惰性气体,使爆炸极限范围缩小,特别对爆炸上限的影响更大。 混合物含氧量增加,爆炸下限降低,爆炸上限上升。 混合物的浓度低于下限或高于上限时，既不能发生爆炸也不能发生燃烧。 四、爆炸危险区域的划分及范围 爆炸危险环境包括爆炸性气体环境、爆炸性粉尘环境。 (一) 划分 根据爆炸性混合物的频繁程度和持续时间划分为不同级别的危险区域 (二) 范围 1. 爆炸性气体环境 (1)按释放源的级别划分 (2)根据通风条件调整区域 根据通风条件调整爆炸危险区域划分,应遵循以下原则： ① 当通风良好时,应降低爆炸危险区域等级(爆炸危险区域内的通风,其空气流量能使易燃物质很快稀释到爆炸下限值的25%以下时,可定为通风良好);当通风不良时应提高爆炸危险区域等级。 ② 局部机械通风在降低爆炸性气体混合物浓度方面比自然通风和一般机械通风更为有效时,可采用局部机械通风降低爆炸危险区域等级。 ③ 在障碍物、凹坑和死角处,应局部提高爆炸危险区域等级。 ④ 利用堤或墙等障碍物,限制比空气重的爆炸性气体混合物的扩散,可缩小爆炸危险区域的范围。 2. 爆炸性粉尘环境 对于爆炸性粉尘环境,其危险区域的范围应按爆炸性粉尘的量、爆炸极限和通风条件确定。 ⅢA 级:可燃性飞絮,如棉花纤维、麻纤维、丝纤维、毛纤维、木质纤维、人造纤维等。 ⅢB级:非导电性可燃粉尘,如聚乙烯、苯酚树脂、小麦、玉米、砂糖、染料、可可、木质、米糠、硫黄等粉尘。 ⅢC级:可燃性导电粉尘,石墨、炭黑、焦炭、煤、铁、锌、钛等粉尘。 吴微 编著 吴微 编著 吴微 编著 吴微 编著 吴微 编著 第8章 生成式对抗网络 8.1原始生成式对抗网络 8.2条件生成对抗网络 8.3最小二乘生成对抗网络 课上练习 * 第8章 生成式对抗网络 8.1原始生成式对抗网络 生成式对抗网络常用于生成以假乱真的图片。生成对抗网络模型框架中（至少）两个模块：生成模块和判别模块，它们的互相博弈学习产生相当好的输出。 生成对抗网络除了生成以假乱真的图片外，还被用于生成影片、三维物体模型等。 * 第8章 生成式对抗网络 8.1原始生成式对抗网络 “GAN的动物园”：条件生成式对抗网络（condition Generative Adversarial Networks， CGAN）、最小二乘生成式对抗网（Least Squares Generative Adversarial Networks， LSGAN）、边界均衡生成式对抗网（Boundary Equilibrium Generative Adversarial Networks，BEGAN）， 渐进增大生成式对抗网络（progressive growing Generative Adversarial Networks， PG-GAN ）、Wasserstein 对抗网络(WGAN)、循环生成式对抗网络（CycleGAN）等等。 * 第8章 生成式对抗网络 1.1 人工智能、机器学习与深度学习 1.1.1人工智能简介 人工智能有两种类型：强人工智能和弱人工智能。 强人工智能：就是要使机器学习人的理解、学习和执行任务的能力。 弱人工智能：指用于自动化特定任务的软件。 * 第8章 生成式对抗网络 8.1原始生成式对抗网络 8.1.1 GAN原理 GAN的目的是通过一定的方法模拟出一种数据的概率分布生成器，使得这种概率分布与某种观测数据的概率统计分布一致或尽可能接近，这个逼近真实的终点是达到纳什均衡。 纳什均衡的例子 * 第8章 生成式对抗网络 8.1原始生成式对抗网络 8.1.1 GAN原理 * 图8.1GAN络工作简单示意图 第8章 生成式对抗网络 8.