学习笔记-李宏毅GAN(生成对抗网络)全系列
Posted 蜗牛_
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了学习笔记-李宏毅GAN(生成对抗网络)全系列相关的知识,希望对你有一定的参考价值。
文章目录
- 2.1 discriminator的架构改进
- 2.2 Stack GAN
- 2.3 Image-to-image
- 2.4 Speech Enhancement(提升语音的质量)
- 2.5 Video Generation
前言
红色文字代表重点,黄色文字代表次重点,绿色文字代表了解,黑色文字为解释说明
相关链接
- 视频:https://www.youtube.com/playlist?list=PLJV_el3uVTsMq6JEFPW35BCiOQTsoqwNw
1. Introduction
1. 1 Basic Idea of GAN
GAN, Generative Adversarial Network,作用是训练一个Generator,用于生成东西。
Generator的使用:给Generator一个随机的Vector,然后Generator生成一个随机的“长Vector”(图片、文字等)
输入的Vector的dimension(就是每个值)对应一个特征,例如上图中的第一个0.1可能就对应头发的颜色
Discriminator(判别器):在训练Generator的时候,要同时训练一个Discriminator,作用是判别一张图片的真实程度。
Discriminator 接受一个图片,输出一个Scalar(数值),Scalar越大表示图片越真实
GAN的训练过程(简易版)
1. 准备一个真实图片的数据集
2. 随机初始化Generator和Discriminator,此时Generator生成图片是瞎生成,Discriminator也是瞎分辨
3. 训练Discriminator:
3.1 让Generator生成一组图片,然后让Discriminator来分辨真假,同时也会告诉Discriminator真实的图片长什么样子
3.2. 根据第 3.1 步的损失来更新Discriminator
4. 训练Generator:
4.1. 继续让Generator生成一组图片,然后让Discriminator来分别真假。注意,本次只会让Discriminator看生成的图片
4.2. 根据第 4.1 步得到的损失来更新Generator
5. 重复迭代3,4步,直到满意为止
(最原始的)GAN训练过程(公式版),在每一个迭代过程做的事如下:
1. 从数据集中拿到 个样本
2. 从distribution中拿出 个噪音向量 (就是生成m个均匀分布的随机向量,当然也可以是其他分布)
3. 让Generator根据噪音向量生成数据 李宏毅2021机器学习深度学习6-1 生成式对抗网络GAN1 基本概念介绍
机器学习-白板推导系列(三十一)-生成对抗网络(GAN,Generative Adversarial Network)