<>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
百度网盘(提取码:draw)
Gitee
云服务器优惠
阿里云优惠券
腾讯云优惠券
华为云优惠券
站点信息
问题反馈
邮箱:[email protected]
QQ群:766591547
关注微信