GAN, DCGAN, cGAN Paper Reading

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。
摘要由CSDN通过智能技术生成

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:

  1. E.g. From noise to real image.
  2. Generator: G(z;θg)
    1. Input: noise z;
    2. Output: generated image G(z).
  3. Discriminator: D(x; θd)
    1. Input: generated image: G(z), label: (0) +
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值