李宏毅机器学习笔记——生成式对抗网路(Generative Adversarial Network, GAN)


<>概念

生成式对抗网络（GAN, Generative Adversarial Networks
）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中（至少）两个模块：生成模型（Generative
Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。

输出是一个分布。
z是简化的分布。

<>举例

输入过去的画面，通过网络预测出下一步的画面，在同时可以左转右转时候选择其中之一。

<>为什么要distribution

例如在画画和解释人物时候，有多种答案选择：

<>判别器Discriminator

输出的标量越大越真。

<>Generator与Disciminator关系

判别器越严苛，生成器越真。

<>算法

每次训练迭代中，先固定判别器，更新生成器，使判别器输出的值越大则代表生成器产生的图片越真实；
然后固定生成器，对输入的向量进行回归或分类，更新判别器。

<>应用

Progressive GAN，产生以假乱真的人脸。

<>GAN理论

两者间差距Divergence越小越好
虽然我们没法计算DIvergence，但我们可以简化数据图和生成器图：

<>公式

<>JS divergence缺点

<>Wasserstein distance

可以判断两个不重叠分布的好坏

<>计算Wasserstein distance

要加限制使D输入1-Lipschitz，否则real image会无限大，generated image会无穷小，算出来的max会无限小。
也就是不加限制，D的训练会不收敛。

<>Spectral Normalization（SNGAN）

粗略解WGAN公式：

<>Mode Diversity

一张图片classify分布越集中，quality越高。
一堆图片classify分布越平均，diversity越大。

<>Conditional GAN

discriminator区分图片既要看x也要看y，通过x和y一起分辨，一方面图片要好，一方面也要满足限定条件。

<>Conditional GAN应用

是图片动起来：

<>unpaired data

x与y不成对出现，例如人脸转成动漫人脸。

<>Cycle GAN

用生成器将x转成y，再将y还原成x，比较输入和输出相似度。

技术
下载桌面版
GitHub
Microsoft Store
SourceForge
Gitee
百度网盘（提取码：draw）
云服务器优惠
华为云优惠券
京东云优惠券
腾讯云优惠券
阿里云优惠券
Vultr优惠券
站点信息
问题反馈
邮箱：[email protected]
吐槽一下
QQ群：766591547
关注微信
©2020-2025 ioDraw All rights reserved, Privacy Policy