深度生成模型之GAN基础 -＞（个人学习记录笔记）

已于 2024-03-14 19:07:38 修改
阅读量685 收藏 7
点赞数 10
分类专栏： 机器学习 文章标签： 生成对抗网络 学习 笔记
于 2024-01-02 11:11:55 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Slience_me/article/details/135335964
版权

文章目录

深度生成模型之GAN基础

生成对抗网络

1. 生成对抗网络如何生成数据

  • 生成对抗网络(Generative Adversarial Network,GAN),不显式地估计出数据分布的密度函数，但能生成符合数据分布P_data(x)的样本

在这里插入图片描述

2. 生成对抗原理

  • 生成网络和判别网络相互对抗(adversarial),共同学习

在这里插入图片描述

3. GAN的核心优化目标

  • 生成器损失与判别器损失

在这里插入图片描述

4. D的优化

  • 判别器的优化目标

在这里插入图片描述

  • 生成器优化目标

在这里插入图片描述

5. GAN的理想状态

  • 约翰-纳什提出的纳什均衡(Nash equilibrium)

在这里插入图片描述

6. GAN的训练

  • SGD交替优化，先更新k次判别器，保证判别网络足够强，再更新生成网络

在这里插入图片描述

7. 梯度不稳定与模式崩塌(collapse mode)问题

  • 矛盾与不对称的优化目标

在这里插入图片描述

8. 梯度消失问题

  • 过大过小的激活值，梯度进入消失区

在这里插入图片描述

  • 部分内容来自阿里云天池
slience_me
关注
专栏目录
steam-stylegan2-ada:在协作实验室上训练StyleGAN2-ADA模型以生成Steam标语
05-24
深度卷积GAN的无监督表示学习。 ICLR 2016。 正式执行 应用于Steam标语 StyleGAN： Karras，Tero等。 生成对抗网络的一种基于风格的生成器体系结构。 CVPR 2019。 正式执行 应用于Steam标语 St
MATLAB的var模型代码-VAE-GAN-CelebA:与论文相关的代码和笔记本：VanRullen＆Reddy撰写的“使用深度生成神经网
05-23
MATLAB的var模型代码VAE-GAN-CelebA 与本文相关的Python代码：VanRullen＆Reddy（2019） 该文件夹包含： 一个（在CelebA数据集上约15个时期= 50,000个批次的64张图像） VAE-GAN人脸分解/重建模型的一组.py函数，尤其...
深度生成模型之数据生成GAN -＞（个人学习记录笔记）
slience_me的博客
01-02 634
深度生成模型之数据生成GAN
深度生成模型之图像翻译GAN -＞（个人学习记录笔记）
slience_me的博客
01-02 783
深度生成模型之图像翻译GAN
深度生成模型之GAN优化目标设计与改进 -＞（个人学习记录笔记）
slience_me的博客
01-02 723
深度生成模型之GAN优化目标设计与改进
深度生成模型之GAN的评估 -＞（个人学习记录笔记）
slience_me的博客
01-02 540
深度生成模型之GAN的评估
深度生成模型文物修复--论文阅读笔记（导-6）
weixin_43899239的博客
10-18 1556
在空间中寻找相似模型填补，传统图像修复方法有三种：：即变分自动编码器（VAE）和生成对抗网络（GAN），能够通过依赖卷积神经网络（CNN）捕获复杂场景的非线性表示。加上适当的网络架构和目标函数，它们能够生成更多的语义感知的内绘制区域。
神经网络通俗理解学习笔记(4) 深度生成模型VAE、GAN
applewld的博客
09-16 1226
判别式和生成式模型判别式:CNN/RNN/transformer;生成式:AE/VAE/GAN判别式模型学习类别边界，生成式学习数据分布生成式模型以判别式模型为基础，通过一种组合得到的更复杂的模型。
《深度学习》------生成对抗网络（GAN）学习笔记
Naruto_8的博客
01-21 4187
1.生成对抗网络的（GAN）的原理 GAN的思想：一种二人零和博弈思想（two-player game），博弈双方的利益之和是一个常数。 就像电影《猫鼠游戏》，生成网络G可以被看做是假支票的制造者，他们试图制造假支票并且在不被发现的情况下使用，而辨别网络类似于警察，他们试图检测假支票。这个游戏中的竞争促使两个团队改进他们的方法， 生成对抗网路（GAN）分为两个部分：生成网络G（Generator）和判别网络D（Disciminator） （1）生成网络G：生成器，负责生成假数据 （2）辨别网络D：辨
深度学习（4）---生成式对抗网络(GAN)
m0_62881487的博客
10-29 2500
生成式对抗网络（Generative Adversarial Network，GAN）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。它启发自博弈论中的二人零和博弈（two-player game），两位博弈方分别由生成模型（generative model）和判别模型（discriminative model）充当。判别模型用于判断一个给定的图片是不是真实的图片（从数据集中获取的图片），生成模型的任务是去创造一个看起来像真的图片一样的图片。两个模型一起对抗训练。
深度学习GAN生成对抗网络入门--李宏毅网课笔记
qq_43426078的博客
03-03 559
Class one GAN网络基本思想 由生成模型（generator）和判别模型（discriminator）组成。 generator接收输入向量，输出图片或文字。 discriminator接收输入的图片或文字，输出scalar，scalar越大说明输入越真实。 算法过程 fix generator ,and update discriminator D： 标记database中的图像为1，generated objects为0来训练D。使得判别模型能够给实际对象较高的分数，而给生成对象较低的分数。
深度学习系统笔记，包含深度学习数学基础知识、神经网络基础部件详解、深度学习炼丹策略、模型压缩算法详解等.zip
12-18
其次，神经网络基础部件详解可能包括神经元模型、激活函数、卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆（LSTM）网络、自编码器（AE）、生成对抗网络（GAN）等。每个部件都有其独特的功能，例如，激活...
吴恩达深度学习DeepLearning-详细中文和英文笔记总结以及知识图谱三剑客
10-25
此外，笔记可能还涉及了深度学习的进阶主题，如卷积神经网络的卷积层和池化层、自编码器、生成对抗网络（GAN）以及强化学习。 其次，"吴恩达推荐深度学习信息图.pdf"可能是以图形化方式呈现深度学习概念和流程的...
嵌入式通信协议：UART简明学习笔记
weixin_73867577的博客
10-31 735
学习UART串口的简明学习笔记
ORB-SLAM2源码学习：ORBextractor.cc：IC_Angle 利用灰度质心法求解关键点方向角
2301_76831056的博客
11-01 579
IC_Angle 利用灰度质心法求解关键点方向角并在computeOrientation函数中被调用计算图像中所有特征点的方向。
嵌入式通信协议：MODBUS简明学习笔记
最新发布
weixin_73867577的博客
11-02 148
学习Modbus的简明学习笔记
点云学习笔记3——读取点云文件、进行统计滤波/直通滤波后可视化
qq_64095888的博客
10-29 194
【代码】点云学习笔记3——读取点云文件、进行统计滤波后可视化。
jsp web学习二(比较老的啦)
qq_52122048的博客
10-29 1057
JavaBean模式(MVC)适合开发复杂的web应用，在这种模式下，servlet负责处理用户请求，jsp负责数据显示，javabean负责封装数据。Servlet+JSP+JavaBean模式程序各个模块之间层次清晰，web开发推荐采用此种模式。一个良好的JavaWeb项目架构应该具有以上的11个包，这样显得层次分明，各个层之间的职责也很清晰明了，搭建JavaWeb项目架构时，就。
diffusion model 学习笔记
wubing's 博客
11-01 809
郎之万公式: 描述了粒子做随机布朗运动 (粒子位置随时间变化的关系), 是一种 SDE, 描述了 由梯度力(即.即我们在无条件模型 DDPM 估计的噪声中添加一个微小的扰动(. 基本上,在采样一半时,基本上预测的。输出的是噪声的估计, 这个估计的噪声。通过上面的公式，我们可以知道，当知道。),就可以作为条件模型的噪声估计.首先,假设我们已经有了一个训练好的。: 每一步中保留的原始信号的比例。的计算有各种不同的方法，). 已经接近于真实的。)影响的系统的时间演化.也就是,我们训练的网络。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

slience_me

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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