我知道深度学习能够与图像有关。我面临的问题是：是否可以为多个类创建大数据的位图图像，并将其馈送到深度学习的图像处理机中，并且训练有素的期望机器会为给定类生成图像吗？
例如预测运动比赛；给出每个游戏的静态图像作为输入的图像，班级将是两个团队的名称。因此，当我进入"新英格兰爱国者 - 西雅图海鹰队"时，AI会产生一个是游戏静态的图像。
无论如何都会有助于预测吗？
这是一个开放式搜索主题，称为生成对抗网络。可以在此处找到这样的解释：https：//www.quora.com/what-are-gen-generative-generative-versarial-networks。
示例纸张用法：https：//arxiv.org/pdf/1612.07828v1.pdf?utm_campaign=machine = machine+learning+weekequem＆umm_medium = web = web = web = web = web&Amp；
示例YouTube教程：https：//www.youtube.com/watch?v=deyox6mt_as。
是否可以为多个类创建一个位图映像[...]并将其馈送到深度学习的图像处理机中，并且训练有素的何时期望机器为给定类生成图像？
正如托马斯（Thomas）已经写过的那样，您可能想要查看的是"生成对抗网络"（gan）。
但是，训练那些训练前进的多层感知器并不那么简单。您不能简单地将类 噪声作为输入，并期望它生成逼真的输出图像。问题是：
- 有许多逼真的图像（32px x 32px，rgb-> 255^（32*32*3）可能的图像）
- 您只知道数百万张图像是现实的
解决方案是训练两个玩游戏的网络：生成图像的生成器网络G。以及必须决定输入是来自发电机还是来自自然图像源的鉴别网络D。
例如预测运动比赛；给出每个游戏的静态图像作为输入的图像，班级将是两个团队的名称。因此，当我进入"新英格兰爱国者 - 西雅图海鹰队"时，AI会产生一个是游戏静态的图像。
我不确定我是否了解您想要什么。但是，如果您简单地显示
之类的内容" 1：0"
作为图像...为什么您应该将机器学习完全用于显示部分？为什么不简单地预测结果（机器学习）并以通常的3行代码生成图像？
通过深度学习中的许多良好的图像处理应用程序，它是否会帮助我更快地获得结果，而不是直接输入数据
否。这只是增加了必须通过图像处理算法来解决的复杂性。在"解决"您人为地添加到数据集中的这些问题之后，它可以直接解决您可能给出的问题。
我认为我可以显示更重要的数据，例如图像中的目标得分更大，因此它对未来的结果有更大的影响
如果您知道什么是重要的以及在哪种关系中，则不要使用机器学习。