GAN图像训练

5 篇文章 0 订阅
2 篇文章 0 订阅

最近用GAN进行生成对抗网络学习,发现越是到后面怎么训练效果越差。下面是具体效果:
这个是第一次的训练,也就是生成的样本(用一个高斯函数就行)
这个是第一万次次训练得到的图像
这个是第三万次训练得到的结果
可以看看慢慢的训练得到的结果逐渐变好
这个是第有十万次训练的结果,估计是最好的了
这个是第三十万次训练得到的结果
可以看到效果越来越不明显。
这个是四十万次训练得到的结果

可以发现效果越来越差。图片训练了一百万次,基本和四十万次训练得到的结果类似,估计是生成器和判别器没有设置好。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
生成对抗网络GAN)是一种深度学习模型,由生成器和判别器组成,可以用于增加训练图像。 利用GAN增加训练图像的过程大致如下:首先,我们需要一个真实图像训练集,例如人脸数据集。然后,我们构建一个生成器网络,用于生成虚假的图像。生成器接受一个随机噪声向量作为输入,通过一系列的卷积、反卷积和其他神经网络层来生成图像。接下来,我们构建一个判别器网络,用于区分生成器生成的图像与真实图像的差异。判别器接受一张图像作为输入,并输出一个概率,表示这张图像是真实图像的概率。生成器和判别器通过交替训练来提升彼此的表现。 在训练过程中,生成器的目标是生成逼真的图像,使判别器无法准确区分真实图像和生成图像。反之,判别器的目标是尽可能准确地区分真实图像和生成图像。通过这种对抗训练的方式,生成器和判别器逐渐提升能力,最终生成器能够生成与真实图像非常相似的虚假图像。 利用GAN增加训练图像的好处是,我们可以扩充训练集,提高模型的泛化能力。因为GAN可以生成逼真的虚假图像,我们可以使用生成器生成大量的虚假图像,并将其与真实图像一起用于模型的训练。这样,训练图像的多样性和数量得到了增加,可以提高模型对各种场景和变化的适应性。 总之,利用GAN增加训练图像可以通过生成器生成逼真的虚假图像,扩充训练集,提高模型的泛化能力。但需要注意的是,生成的虚假图像可能存在一定的不确定性和风险,需要结合具体任务和要求来进行使用和评估。
评论 2
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