关于GAN生成式对抗网络中判别器的输出的问题

Posted 2023-04-16

根据原理，当判别器对noise_datas和real_datas的判别概率都是0.5时，网络训练完成。我现在对noise_datas的判别概率为0.5，对real_datas的判别概率为1，这该怎么解决呢？

...

摘要

生成式对抗网络GAN（Generative adversarial networks）目前已经成为人工智能学界一个热门的研究方向.GAN的基本思想源自博弈论的二人零和博弈，由一个生成器和一个判别器构成，通过对抗学习的方式来训练.目的是估测数据样本的潜在分布并生成新的数据样本.在图像和视觉计算、语音和语言处理、信息安全、棋类比赛等领域，GAN正在被广泛研究，具有巨大的应用前景.本文概括了GAN的研究进展，并进行展望.在总结了GAN的背景、理论与实现模型、应用领域、优缺点及发展趋势之后，本文还讨论了GAN与平行智能的关系，认为GAN可以深化平行系统的虚实互动、交互一体的理念，特别是计算实验的思想，为ACP（Artificial societies，computational experiments，and parallel execution）理论提供了十分具体和丰富的算法支持.

更多
出版源

《自动化学报》 , 2017 , 43 (3) :321-332 参考技术A 楼主去了解一下RGAN（RaGAN），该文章具体讲了关于GAN对真实和伪造数据判别的概率违背了先验知识的问题 参考技术B 生成对抗网络（GAN）是由两个相互竞争的网络组成的深度神经网络架构。

2014年，Lan Goodfellow和蒙特利尔大学包括Yoshua Bengio在内的其它研究人员在论文中介绍了生成对抗网络。Facebook的AI研究主管Yann LeCun称对抗训练是“近10年来最有趣的机器学习（ML）”

生成对抗网络具有很大的潜力，因为它们可以学习模拟任何数据的分布。换句话说，在任何领域，我们都可以教生成对抗网络创造出与我们类似的世界：图像，音乐，演说，散文。从某种意义上来说，它们是机器人艺术家，能够创造出令人印象深刻甚至是伤感的东西 参考技术C 关于GAN生成式对抗网络中判别器的输出的问题，这个问题我们不知道也不憧，只有到百度网上去查一下就可以告诉给你，都可以查到内容是什么，只要字别太少圄绕提问来回答，基本上都是优质回答，我们也弄不清是什么玩意，好了，只有憧的人才知道，谢谢！ 参考技术D 楼主问题解决了吗 我也有同样问题 求教 爱您

WGAN

GAN--生成式对抗网络

1.GAN的思想

GAN模型由生成式模型和判别式模型组成:

• 生成模型G是一个生成输出的网络，它接收一个随机的噪声z，通过这个噪 声生成输出，记做G(z)
• 判别模型D是用来判别输入是不是“真实的”。它的输入参数是x，x代表输入，输出D（x）代表x为真实数据的概率，如果为1，就代表100%是真实的图片，而输出为0，就代表不可能是真实的数据

在训练过程中，生成网络G的目标就是尽量生成真实的图片去欺骗判别网络D。而D的目标就是尽量把G生成的图片和真实的图片分别开来。这样，G和D构成了一个动态的“博弈过程”