【教程搬运】最好的GAN系列教程在这里。
1.初窥门径__生成对抗网络(GAN)(一)
*GAN的基础知识
注意这个文章有个地方写的不够清楚,就是生成器和判别器训练的过程,我稍微阐述一下,就是:
- 第一步:训练判别器。固定生成器的参数,x 输入判别器后输出的结果标签为1,随机噪声 z 输入生成器得到 G(z),再输入判别器后得到的输出结果标签为0,训练判别器到收敛。
- 第二步:训练生成器:固定判别器的参数,随机噪声输入生成器,得到假图,然后输入判别器,得到一个概率值(比如说0.8),这时候我们要告诉生成器,你的目标是1,要尽可能使得你生成的图片,在被放入判别器后得到的结果是1,生成器看到我们的0.8和1存在差距,自然会着力更新自己的值(此时判别器的值是不会动的)。
- 第三步:重复上述步骤1、2.
2.小试牛刀__GAN实战项目之mnist数据集(二)
3.融会贯通__条件生成对抗网络(cGAN)(三)
*关于pix2pix使用的cGAN
4.炉火纯青__深度卷积生成对抗网络(DCGAN)(四)
5.登堂入室__生成对抗网络的信息论扩展(infoGAN)(五)
原文写道:
InfoGAN是生成对抗网络信息理论的扩展,能够以完全非监督的方式得到可分解的特征表示。
你可以这么理解,GAN生成的图像其实是一种特征表示,而GAN本身是一种非监督学习的方式(你没有人为设定标签)。这里的infoGAN其实就是获取可分解的特征表示(不仅局限在图像)。与原有GAN最大的区别其实就是数据的可解释性。
它可以最大化隐含(latent)变量子集与观测值之间的互信息(mutual information),并且发现了有效优化互信息目标的下界。
你可以这么理解,隐含变量子集就是真实值的分布,而观测值是你生成的值,互信息最大就是让二者尽可能接近。
(本论文未读完,待补充)
(本论文未读完,待补充)
(本论文未读完,待补充)
8.一代宗师__循环一致性生成对抗网络(CycleGAN)(八)
本论文可参见本人的教程,请点击这里。