目录
GAN
DCGAN
WassersteinGAN
Conditional GAN
1.1 GAN的原理
核心是:x表示真实图片,z表示输入G网络的噪声,而G(z)表示G网络生成的图片。D(x)表示D网络判断真实图片是否真实的概率,D(G(z))是D网络判断G生成的图片的是否真实的概率。
方法是构建两个网络,一个G生成网络,一个D区分网络。训练,G网络loss log(1-D(G(z))),D网络loss -(log(D(x))+log(1-D(G(z)))。数据输入,G网络输入noise。D输入混合G输出数据及样本数据。G网络训练,D(G(z))趋近于1,G loss最小。D网络训练 2分类,分清真实数据和生成数据,真实数据D输出趋近1,生成数据输出D(G(z))趋近0。
1.2 GAN的好处和缺点
1、Gans是一个Implict的建立学习密度函数过程,减少了人为的建模。
2、GAN的生成过程不需要繁琐的采样序列,可以直接进行新样本的采样和推断,提高了新样本的生成效率。