GAN设计分析

Posted o-din

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GAN设计分析相关的知识,希望对你有一定的参考价值。

原理性的参见技术博客:

一文读懂生成对抗网络(GANs)

这里只记录下来对设计思路的进一步认知

首先要理解

什么叫最终目标是输出样本以假乱真?

首先输出样本不是真样本容易理解,同时输出样本是假样本,但是这些假样本可以达到判别器无法判断,即真假概率同为0.5的效果

然后训练出来的样本达到真假平衡的效果,而不是百分百是真样本,这也就解释了,为什么要把假样本标记为1

设计最巧妙的地方

生成器后紧接着一个判别器,它的作用是判别真假数据,然后将生成器生成的“假数据”造成的误差返回给生成器,让生成器生成出更准确的假数据

把上一轮假样本标记为1,验证下一轮假数据的真实性,也就是生成器训练后的效果

最巧妙的地方是,模型所利用的误差!

为什么一遍遍用假数据当做真数据交给生成器训练不会让生成的数据更假?

判别器自一开始训练好,就不会再更改参数了,这也是为什么判别器具有判别真假的能力

这是把功能解耦合的高超应用,生成器只负责生成尽可能真的真数据,而判别器负责严防死守,保证了最终产出的结果尽量真实

以上是关于GAN设计分析的主要内容,如果未能解决你的问题,请参考以下文章

[Pytorch系列-61]:生成对抗网络GAN - 基本原理 - 自动生成手写数字案例分析

论文阅读 (84):A GAN-based Algorithm for Multi-Instance Multi-Label Learning on Overlapping Signal Wavefo

Keras运行GAN实例(2022.2.25)

Keras运行GAN实例(2022.2.25)

W-GAN

深度学习生成对抗网络GAN|GANWGANWGAN-UPCGANCycleGANDCGAN