国产无码综合区,色欲AV无码国产永久播放,无码天堂亚洲国产AV,国产日韩欧美女同一区二区

GAN | 論文精讀 Generative Adversarial Nets

2年前作者：Qodi分類：Toy博客閱讀(18)違法舉報

這篇具有很好參考價值的文章主要介紹了GAN | 論文精讀 Generative Adversarial Nets。希望對大家有所幫助。如果存在錯誤或未考慮完全的地方，請大家不吝賜教，您也可以點擊"舉報違法"按鈕提交疑問。

提出一個GAN

（Generative Adversarial Nets）

1 方法

（1）生成模型G（Generative），是用來得到分布的，在統(tǒng)計學眼里，整個世界是通過采樣不同的分布得到的，生成東西的話，目前就是要抓住一個數(shù)據(jù)的分布，

（2）辨別模型D（D） ,他是來辨別你的樣本究竟是從真實世界來的呢，還是來自于生成模型G

想象一場假幣制造比賽，有兩名參賽者：造幣專家（生成器）和驗幣專家（判別器）。

造幣專家（生成器）：這位專家的任務是制造偽造的硬幣，希望這些偽造硬幣盡量像真正的硬幣一樣。生成器開始時可能只是隨機制造硬幣，但通過不斷練習，它學會了如何制造更加逼真的偽造硬幣。
驗幣專家（判別器）：驗幣專家的任務是檢查硬幣，確定它們是真正的還是偽造的。判別器開始時可能很容易識別偽造硬幣，但隨著時間的推移，它變得越來越擅長區(qū)分真?zhèn)巍?/p>

比賽的規(guī)則如下：

造幣專家（生成器）制造了一些偽造硬幣，并將它們交給驗幣專家（判別器）。
驗幣專家（判別器）嘗試檢查硬幣，然后告訴造幣專家哪些硬幣是偽造的，哪些是真的。
造幣專家（生成器）收到反饋后，嘗試改進偽造硬幣的制造方法，以使它們更難被驗幣專家（判別器）識別。
驗幣專家（判別器）也在不斷提高自己的檢測技能，以偵測越來越逼真的偽造硬幣。

這個過程不斷重復，生成器和判別器互相競爭，生成器努力制造更逼真的偽造硬幣，判別器努力提高自己的驗幣技能。隨著時間的推移，生成器越來越擅長制造逼真的偽造硬幣，而判別器越來越擅長檢測它們。最終，生成器制造的偽造硬幣變得如此逼真，以至于判別器幾乎無法區(qū)分真?zhèn)巍?/p>

2 可視化舉例

GAN | 論文精讀 Generative Adversarial Nets,讀論文,生成對抗網(wǎng)絡,人工智能,神經(jīng)網(wǎng)絡

以一維度數(shù)據(jù)做可視化

紫色線條是判別器D，綠色線條是生成器G，黑色線條是真實分布

圖（a）初始狀態(tài) 此時可以觀察到真實分布（黑色）和生成器（綠色）的分布差別較大，判別器（紫色）

圖（b）更新判別器（紫色）此時可以觀察到判別器（紫色）可以分辨的比較好了，黑色線附近為1 ，綠色線附近為0

圖（c）更新生成器（綠色）此時可以觀察到生成器（綠色）像真實數(shù)據(jù)分布靠近，為了使得判別器不分別出來

圖（d）不斷反復，可以看到綠色生成器要盡量靠近黑色生成數(shù)據(jù)，當足夠接近的時候，會發(fā)現(xiàn)判別器輸出就是0.5了，此時就無法分辨了

3 算法流程

GAN | 論文精讀 Generative Adversarial Nets,讀論文,生成對抗網(wǎng)絡,人工智能,神經(jīng)網(wǎng)絡

最簡單的應用是G和D是MLP

如圖所示

（1）從噪聲中采樣m個樣本得到z，從真實數(shù)據(jù)中采樣m個樣本得到x

（2）先更新判別器，增強判別器

D(x) 表示把真實分布采樣得到的數(shù)據(jù)放到辨別器里，假如辨別器是完美的，那么D(x)是1 log(D(x))是0，如果不完美，則 log(D(x))為負數(shù)

G(z)表示把噪音分布采樣得到的噪音放到生成器里，會生成偽真實x，再放入D判別器，假如辨別器是完美的，那么D(x)是0 整體log(1-D(G(x)))是0 ，如果不完美的話，也會輸出負數(shù)

所以要最大化如下函數(shù)，使得接近0

GAN | 論文精讀 Generative Adversarial Nets,讀論文,生成對抗網(wǎng)絡,人工智能,神經(jīng)網(wǎng)絡

使得判別器函數(shù)輸出盡可能正確，盡可能完美區(qū)分

（3）再更新生成器，使得生成器盡可能糊弄判別器

使得后面一項盡可能小

GAN | 論文精讀 Generative Adversarial Nets,讀論文,生成對抗網(wǎng)絡,人工智能,神經(jīng)網(wǎng)絡

這樣就會導致生成器盡可能糊弄判別器

k是一個超參數(shù)，要保證我們的G和D每次進步差不多，這樣才能保證我們自己的一個有效性

外面的這個for loop就是說我們要迭代N次

怎么判斷收斂是一個比較難的點，因而有些時候不是很有效文章來源地址http://www.zghlxwxcb.cn/news/detail-675265.html

到了這里，關(guān)于GAN | 論文精讀 Generative Adversarial Nets的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！

本文來自互聯(lián)網(wǎng)用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權(quán)，不承擔相關(guān)法律責任。如若轉(zhuǎn)載，請注明出處：如若內(nèi)容造成侵權(quán)/違法違規(guī)/事實不符，請點擊違法舉報進行投訴反饋，一經(jīng)查實，立即刪除！

分享到：

領(lǐng)支付寶紅包贊助服務器費用

李宏毅 Generative Adversarial Network（GAN）生成對抗網(wǎng)絡
附課程提到的各式各樣的GAN：https://github.com/hindupuravinash/the-gan-zoo 想要讓機器做到的是生成東西。-訓練出來一個generator。假設要做圖像生成，要做的是隨便給一個輸入（random sample一個vector，比如從gaussian distribution sample一個vector），generator產(chǎn)生一個image。丟不同的vector，就應
2024年01月21日
瀏覽(24)
深度學習7:生成對抗網(wǎng)絡 – Generative Adversarial Networks | GAN
生成對抗網(wǎng)絡 – GAN 是最近2年很熱門的一種無監(jiān)督算法，他能生成出非常逼真的照片，圖像甚至視頻。我們手機里的照片處理軟件中就會使用到它。目錄生成對抗網(wǎng)絡 GAN 的基本原理大白話版本非大白話版本第一階段：固定「判別器D」，訓練「生成器G」第二階段：固定
2024年02月11日
瀏覽(21)
AIGC實戰(zhàn)——生成對抗網(wǎng)絡(Generative Adversarial Network, GAN)
2023年12月13日
瀏覽(20)
PyTorch深度學習實戰(zhàn)（31）——生成對抗網(wǎng)絡(Generative Adversarial Network, GAN)
生成對抗網(wǎng)絡 ( Generative Adversarial Networks , GAN ) 是一種由兩個相互競爭的神經(jīng)網(wǎng)絡組成的深度學習模型，它由一個生成網(wǎng)絡和一個判別網(wǎng)絡組成，通過彼此之間的博弈來提高生成網(wǎng)絡的性能。生成對抗網(wǎng)絡使用神經(jīng)網(wǎng)絡生成與原始圖像集非常相似的新圖像，它在圖像生成中應用
2024年01月22日
瀏覽(24)
python- 用GAN（Generative Adversarial Networks）實現(xiàn)，用于生成手寫數(shù)字圖片。
用GAN（Generative Adversarial Networks）實現(xiàn)，用于生成手寫數(shù)字圖片。導入 PyTorch 和相關(guān)的庫，包括： torch : PyTorch 庫。 torch.nn : PyTorch 中的神經(jīng)網(wǎng)絡模塊。 torch.optim : PyTorch 中的優(yōu)化器。 torch.nn.functional : PyTorch 中的函數(shù)式接口。 torch.utils.data : PyTorch 中的數(shù)據(jù)加載器。 torchvision :
2024年02月03日
瀏覽(23)
GAN（Generative Adversarial Network）作為深度學習領(lǐng)域中的一種生成模型，近年來在圖像、音頻等多種模態(tài)數(shù)據(jù)上取得了良好的效果。其核心思想就是通過博弈論中的對抗訓練方式
作者：禪與計算機程序設計藝術(shù) GAN（Generative Adversarial Network）作為深度學習領(lǐng)域中的一種生成模型，近年來在圖像、音頻等多種模態(tài)數(shù)據(jù)上取得了良好的效果。其核心思想就是通過博弈論中的對抗訓練方式，讓兩個網(wǎng)絡（一個生成網(wǎng)絡G和一個判別網(wǎng)絡D）互相競爭，不斷提升
2024年02月07日
瀏覽(31)
Generative Adversarial Network（生成對抗網(wǎng)絡）
目錄 Generative Adversarial Network（生成對抗網(wǎng)絡） Basic Idea of GAN GAN as structured learning Can Generator learn by itself Can Discriminator generate Theory behind GAN Conditional GAN Generation （生成器） ?Generation是一個neural network，它的輸入是一個vector，它的輸出是一個更高維的vector，以圖片生成為例，輸
2024年02月09日
瀏覽(19)
AIGC實戰(zhàn)——條件生成對抗網(wǎng)絡(Conditional Generative Adversarial Net, CGAN)
我們已經(jīng)學習了如何構(gòu)建生成對抗網(wǎng)絡 (Generative Adversarial Net, GAN) 以從給定的訓練集中生成逼真圖像。但是，我們無法控制想要生成的圖像類型，例如控制模型生成男性或女性的面部圖像；我們可以從潛空間中隨機采樣一個點，但是不能預知給定潛變量能夠生成什么樣的圖像
2024年02月04日
瀏覽(22)
論文閱讀：FusionGAN: A generative adversarial network for infrared and visible image fusion
@article{ma2019fusiongan, title={FusionGAN: A generative adversarial network for infrared and visible image fusion}, author={Ma, Jiayi and Yu, Wei and Liang, Pengwei and Li, Chang and Jiang, Junjun}, journal={Information fusion}, volume={48}, pages={11–26}, year={2019}, publisher={Elsevier} } [論文下載地址] Image fusion, infrared image, visible image
2024年01月22日
瀏覽(23)
【論文閱讀】Multi-ConDoS: Multimodal Contrastive Domain Sharing Generative Adversarial Networks for Self-S
paper：Multi-ConDoS: Multimodal Contrastive Domain Sharing Generative Adversarial Networks for Self-Supervised Medical Image Segmentation ????????現(xiàn)有的自監(jiān)督醫(yī)學圖像分割通常會遇到域偏移問題(也就是說,預訓練的輸入分布不同于微調(diào)的輸入分布)和/或多模態(tài)問題(也就是說,它僅基于單模態(tài)數(shù)據(jù),無法利
2024年02月03日
瀏覽(19)