GAN学习笔记

已于 2024-05-16 12:00:00 修改
阅读量311 收藏
点赞数 5
文章标签： 生成对抗网络 人工智能 神经网络
于 2024-03-29 12:06:45 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/YTng_/article/details/137140467
版权

基本原理

损失函数

 \min_{G}\max _{D}V(G,D) = E_{x\sim p_{data}(x)}[logD(x)] + E_{z\sim p_{data(x)}}[log(1 - D(G(z)))]

简化为：V(D,G) = \frac{1}{m}\sum_{i=1}^{m}[\log D(x_{i}) + \log(1 - D(G(z_{i})))]

1. log：底数为自然数e

2. m：样本数

3. D(x_{i})：表示判别器在真实数据x_{i}上判断出的结果

4. D(G(z_{i}))：表示判别器在假数据G(z_{i})上判断出的结果

5. D(x_{i})D(G(z_{i}))都是样本为真的概率，即标签为1的概率

1. V不存在最小值，最大值为0

2. V在判别器的判别能力最强时达到最大值

生成器角度

Loss_{G} = \frac{1}{m}\sum_{i=1}^{m}[c + \log(1 - D(G(z_{i})))]  c 为常数

=> \frac{1}{m}\sum_{i=1}^{m} \log(1 - D(G(z_{i})))

 为了让输出数据越真越好，最理想D(G(z_{i}))=1，损失G会无限接近负无穷

判别器角度

 Loss_{D} = \frac{1}{m}\sum_{i=1}^{m}[\log D(x_{i}) + \log(1 - D(G(z_{i})))]

判别器本质追求D(x_{i})=1，D(G(z_{i}))=0，希望损失D越大越好，最佳损失为0

整体追求V越小越好，我们与生成器目标一致

嗤嗤嗤i
关注
  • 5
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
GAN 学习笔记
qq_43785048的博客
05-02 142
这是看了李宏毅老师的机器学习课程的学习笔记，主要是给自己看，所以会很简陋。自己也是新手，如果大家有什么意见，欢迎指教，谢谢！ https://www.youtube.com/watch?v=4OWp0wDu6Xw&list=PLJV_el3uVTsMhtt7_Y6sgTHGHp1Vb2P2J&index=15 很多Network的架构是一个函数，输入一个x，函数输出一个y。而network可以用来生成，区别在输入会加入一个z，这个z是从某一个分布（高斯、正态分布等）sample出来的，和
InfoGAN学习笔记
简简单单
07-17 2424
InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets Xi Chen, Yan Duan, Rein Houthooft, John Schulman, Ilya Sutskever, Pieter Abbeel https://arxiv.org...
cycleGAN学习笔记
May the Force be with you
03-29 2207
cycleGAN学习笔记 源项目：https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix 1.概览 train.py 用于模型训练 –model: e.g., pix2pix, cyclegan, colorization) and different datasets (with option --dataset_mode: e.g., aligned, unaligned, single, colorization test.py 用于模型测试 d
StyleGAN学习笔记
花花的博客
03-01 1614
A Style-Based Generator Architecture for Generative Adversarial Networks 生成对抗网络中一种基于样式的生成器结构 原文：https://arxiv.org/abs/1812.04948 代码（官方tf版）：https://github.com/NVlabs/stylegan 代码（非官方Pytorch版）：https://github.com/rosinality/style-based-gan-pytorch 文章目录A Styl
CycleGAN学习笔记
qq_41496108的博客
10-22 907
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar
GAN学习笔记（一）项目链接
juluwangriyue的博客
09-08 561
看到这个里面整理了好多gan的项目。 https://github.com/eriklindernoren/PyTorch-GAN
GFP-GAN学习笔记
weixin_42975688的博客
07-29 3609
GFP-GAN利用丰富和多样化的先验封装在预训练的脸GAN盲脸恢复。通过空间特征变换层，将生成式面部先验(GFP)融合到人脸恢复过程中，使人脸恢复过程更容易实现论文说，之前的研究GAN中，。论文提出了，以在一次向前传递中实现真实和保真的良好平衡的网络结构，具体地说，GFPGAN包括。......
CycleGAN学习 笔记
code_Joe123的博客
04-25 429
Cycle GAN是发表于ICCV17的一篇GAN 工作，可以让两个domain的图片相互转化。传统的GAN是单向生成，而CycleGAN是互相生成，网络是个环形，所以命名为Cycle，并且CycleGAN一个非常实用的地方就是输入两张图片，可以是任意两张图片，也就是unpaired 单向GAN CycleGAN本质上就是两个镜像对称的GAN，构成一个环形网络。其实只要理解了一半的单向GAN就等...
Theory behind GAN 学习笔记
weixin_42856170的博客
04-01 212
Theory behind GAN 学习笔记
InfoGan学习笔记
12-10
InfoGan学习笔记，介绍了一些基本的infogan需要的知识和原论文的情况
gan论文笔记
05-15
### GAN论文笔记知识点概述 #### 一、GAN的基本概念与框架 - **对抗性过程**: GAN（Generative Adversarial Networks，生成对抗网络）的核心思想是通过对抗性过程来估计生成性模型。该过程涉及到两个主要组件：...
Pytorch、NLP学习笔记
03-01
《PyTorch与自然语言处理学习笔记》 PyTorch是一个强大的深度学习框架，由Facebook的AI研究团队开发，以其灵活性和易用性受到了广大研究人员和开发者们的喜爱。本笔记将深入探讨PyTorch在自然语言处理（NLP）领域的...
GAN原理笔记1
08-03
GAN原理笔记1 GAN（Generative Adversarial Networks）是一种深度学习算法，用于生成新的、类似于真实数据的样本。它由两部分组成：生成器（Generator）和判别器（Discriminator）。生成器的目标是生成尽可能接近...
2024钉钉杯A题思路详解
最新发布
全栈川川
07-26 1082
2024钉钉杯思路
2024年7月16日~2024年7月22日周报
m0_53096519的博客
07-22 1271
本周完成论文初稿、5000小实验以及数据训练方式初了解。
随机数种子的作用
帆的博客
07-23 1253
设置随机数种子（random seed）的目的是为了确保随机数生成器在每次运行时产生相同的随机数序列，从而保证实验结果的一致性。随机数种子通过初始化随机数生成器的内部状态，使得在相同的种子值下，随机数生成器每次调用时生成的序列是相同的。
常见的文心一言的指令
知码客
07-25 818
文心一言，作为百度研发的预训练语言模型“ERNIE 3.0”的一项功能，能够与人对话互动，回答问题，协助创作，高效便捷地帮助人们获取信息、知识和灵感。
深度学习笔记：CNN、TensorFlow、图像风格化技术探索
"深度学习笔记整理" 本笔记主要记录了深度学习的知识点，包括卷积神经网络（CNN）、TensorFlow的使用、风格化等。下面是本笔记的详细知识点概述： 卷积神经网络（CNN） 卷积神经网络（CNN）是一种常用的深度学习...
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
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