[GAN 专栏-01]GAN&DCGAN

Q1：GAN 对噪声 z 的分布有要求吗？常用有哪些分布？

A1：对噪声z的分布一般没有做特别的要求，常用的分布有高斯分布，均匀分布。此外噪声数据的维度至少要达到数据流形的内在维数，才可以产生足够的diversity，例如：常见MNINST大概是6维，celebA大概是20维。

Q2：GAN 的 adversarial 体现在哪里？

A2：生成器G和判别器的博弈，生成器G需要尽量拟合真实样本分布p_data，而判别器D需要区分开真实样本数据和生成样本数据。

Q3：G 和 D 的 loss 分别是什么？ Pdata，Pg 的 JS divergence 和 adversarial loss之间存在什么关系？

A3：

Q4：GAN 是怎样训练的？

 

Q5：在一轮迭代中，G 和 D 的更新次数哪个多？为了让 G 学得更好一点，能不能让 G 多更新？

A5：D的更新次数更多，如果G更新太多会导致diversity不足。

 

Q7：在 GAN 中添加 batch normalization 层有什么作用？

A7：添加BN层主要为了更稳定，其一：解决了随机初始化参数不理想；其二：防止梯度爆炸，只是降低概率，其他不可控的因素还是可能导致梯度爆炸；

Q8：DCGAN 对激活函数做了哪些限制？

 

Q9：DCGAN 哪些地方使用卷积，哪些地方使用反卷积(fractional-strided卷积)，哪些地方使用全连接？

 

Q10： GAN 的隐空间的每个维度是否有明确的含义？

A10：原始GAN没有明确定义，各个维度交织在一起，共同决定生成图像的某些属性。之后的论文，InfoGAN、ACGAN对隐空间做disentangle就有了。