Generative Adversarial Nets 笔记(二):GAN 的常见结构

栏目: 数据库 · 发布时间: 4年前

内容简介:原始的 GAN 形式如下图:优化的目标是:DCGAN 就是这种朴素形式。

Generative Adversarial Nets 笔记(二):GAN 的常见结构

原始的 GAN 形式如下图: Generative Adversarial Nets 笔记(二):GAN 的常见结构

优化的目标是: Generative Adversarial Nets 笔记(二):GAN 的常见结构

DCGAN 就是这种朴素形式。

Conditional GAN

上门我们看到 Generator 是把随机分布 $$ Z $$ 和真实分布之间做了映射,但是我们可能更想做的是把一个分布映射到另一个分布。最终的目的是想对生成的类容做些控制 Conditional Generative Adversarial Nets Generative Adversarial Nets 笔记(二):GAN 的常见结构

优化目标如下: Generative Adversarial Nets 笔记(二):GAN 的常见结构

我们可以想象一下 $$x $$ 可以是词向量,图像之类的。比如在图像生成的场景下或许可以根据 X 的类容对生成的图片类容做控制,当然可能还要增加一些其他的优化目标才行。

辅助分类器

GAN 的训练中会有 model collapse 的问题,意思是模型也会偷懒,比如在手写数字生成的过程中, Generator 只生成一个数字,而且生成得很逼真,这样就能让整个优化的目标变得很好。这个问题最直接的方式就是修改优化目标,或者对优化增加约束。所以有增加一个辅助模型来缓解这个问题 Generative Adversarial Nets 笔记(二):GAN 的常见结构

这里 C 是一个训练好的模型,比如 ImageNet 的分类模型。

GAN 和 Encoder 的结合

Generative Adversarial Nets 笔记(二):GAN 的常见结构

把 $$ X $$ 通过 encoder $$ E $$ 进行编码,判别器的输入是 $$x $$ 和 $$ E(x)$$

Generative Adversarial Nets 笔记(二):GAN 的常见结构

GAN 和 VAE 的结合。

在实践中 GAN 和 VAE 各有自己的优势,比如图像生成的时候, GAN 通常能生成更加清晰的图像但是会丧失多样性,VAE 更好相反 二者结合的目标是能利用彼此的优势

Generative Adversarial Nets 笔记(二):GAN 的常见结构

多个 判别器和生成器的组合

一个生成器,一个判别器组成一个 GAN 的模块。我简单理解不同的 GAN 结构会有不同的作用,彼此之间的组合就会得到不通效果。比如在图像生成的时候就有层叠和链式两种新的方式。

Generative Adversarial Nets 笔记(二):GAN 的常见结构

Generative Adversarial Nets 笔记(二):GAN 的常见结构


以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

参与感

参与感

黎万强 / 中信出版社 / 2014-8 / 56.00元

◆雷军亲笔作序,小米联合创始人黎万强著。 ◆揭开小米4年600亿奇迹背后的理念、方法和案例。 ◆了解小米,必读本书! ◆迄今为止关于小米最权威、最透彻、最全面的著作! ◆新一代营销圣经。 ◆2014年最重磅图书! ◆再掀企业界全民学习小米热潮! ◆引爆出版界、财经界、IT界、科技界大震荡的“现象级热书”! ◆全书四色印刷,包含46张海报级插图。 ......一起来看看 《参与感》 这本书的介绍吧!

SHA 加密
SHA 加密

SHA 加密工具

XML 在线格式化
XML 在线格式化

在线 XML 格式化压缩工具

Markdown 在线编辑器
Markdown 在线编辑器

Markdown 在线编辑器