本文介绍了生成对抗网络（GAN）、条件生成对抗网络（cGAN）及其变种DCGAN的基本概念和关键改进。GAN通过Generator和Discriminator的对抗训练生成逼真图像；cGAN引入条件信息，如标签，以生成特定类别的图像；DCGAN则将卷积神经网络应用于GAN，避免使用全连接层和最大池化，采用批量归一化等策略。
GAN: Generative Adversarial Nets
GAN跟传统神经网络不一样的地方就是它的loss函数，一个神经网络有很多个部件不稀奇，但是train的时候是max-min的loss是很创新的事情。简单介绍，GAN有一个Generator（G），一个Discriminator（D）。G生成，D来区分这个生成的结果是像真的呢，还是像假的呢。所以D其实相当于解决一个二分类问题。当然G生成的越真实越好是我们的目标。
所以整个GAN的主要的任务其实是生成，Generator的output是我们想要的结果。但是这个结果是通过discriminator的训练来进行指导的。所以G和D呢，你中有我，我中有你。在对抗中互相提高。所以如果想进步，挑选一个厉害的竞争对手哦，哈哈。
1. traditional GAN 2014
1.1 Paper:
https://arxiv.org/pdf/1406.2661
1.2 Understanding:
- E.g. From noise to real image.
- Generator: G(z;θg)
- Input: noise z;
- Output: generated image G(z).
- Discriminator: D(x; θd)
- Input: generated image: G(z), label: (0) +
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
