什么是生成式对抗网络

最新推荐文章于 2024-07-24 13:46:19 发布
最新推荐文章于 2024-07-24 13:46:19 发布
阅读量2k 收藏 8
点赞数 2
分类专栏： # 深度学习 文章标签： GAN 生成式对抗网络
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/daerzei/article/details/89845830
版权

文章目录

什么是生成式对抗网络

生成式对抗网络(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.

模型通过框架中(至少)两个模型:生成模型(Generative Model)和差别模型(Discriminative Model)的互相博弈学习产生相当好的输出.

原始GAN理论中,并不要求G和D都是神经网络,只需要是能拟合相应生成和差别的函数即可.但是实用中一般均使用深度神经网络作为G和D.捕获数据分布的生成模型G,和样本来自训练数据的概率的差别模型D.G的训练程序是将D错误的概率最大化.

假设我们有两个网络,G(Generator)和D(Discriminator).它们的功能分别是:

G是一个生成图片的网络,它接收一个随机的噪声z,通过这个噪声生成图片,记作G(z)

D是一个差别网络,差别一张图片是不是"真实的".它的输入参数是x,x代表一张图片,输入D(x)代表x为真实图片的概率,如果为1就代表100%是真实的图片,而输出为0就代表本能是真实的图片

在训练过程中,生成网络G的目标就是尽量生成真实的图片去欺骗差别网络D.而D的目标就是尽量把G生成的图片和真实的图片分别开来,这样G和D构成了一个动态的"博弈过程"

最后博弈的结果是什么? 在最理想的状态下,G可以生成中心"以假乱真"的图片G(z).对于D来说,它难以判定G生成的图片空间是不是真实的,因此D(G(z)) == 0.5
在这种情况下,这个0.5就是纳什均衡点

但是在我们实际的训练过程中是很难达到0.5这个最理想的状态.实际的训练过程中可能是0.49,0.48,0.52,它不是说达到0.5就停下来,而是达到某个范围内停下来.

比如说概率非常频繁地停在某个区间范围内,我们就可以把它停下来,其实说白了,我们不一定非得定一个结束的指标,比如说你可以看它的损失,如果它频繁地停在某个区间,就可以停下来了,但是也不是绝对的情况,它可能是一个局部的平衡

生成式对抗网络它可以做什么呢?

  1. 图像生成,超分辨率(马赛克还原,可以参考DCGAN,反卷积)
  2. 语义分割(自动驾驶上的图像分割)
  3. 文字生成(比如说 自动生成文章)
  4. 数据增强(这个用得比较多,很多公司用它生成虚假数据进行数据增强)
  5. 聊天机器人(生成聊天对话)
  6. 信息检索,排序(网络信息,生成排序的内容)

再比如说之前的杨幂换头变成小龙女,这个就是用GAN做的.
GAN可以做的事情比较多,目前应用到商业上的主要是数据增强和语义分割
GAN更多的是应用到图像上,RNN更多的是用在文本上
因为它比RNN更加不可控,简单来讲GAN只能简单来判断它是真文字还是假文字,但是文字不是用真假判断就能知道它是什么意思的.

优势

GAN是更好的生成模型,在某种意义上避免了马尔科夫链式的学习机制,这全程它能够区别于传统的概率生成模型.传统概率生成模型一般都需要进行马尔科夫链式的采样和推断,而GAN避免了这个计算复杂度特别高的过程,直接进行采样和推断,从而提高了GAN的应用效率, 所以其实际应用场景也就更为广泛.

某次GAN是一个非常灵活的设计框架,各种类型的损失函数都可以整合到GAN模型当中,这样使得针对不同的,我们可以设计不同类型的损失函数,都会在GAN的模型下进行学习和优化.

再次,最重要的一点是:当概率密度不可计算的时候,传统依赖于数据自然性解释的一些生成模型就不可以在上面进行学习和应用,但是GAN在这种情况下依然可以使用,这是因为GAN引入了一个非常聪明的内部对抗的训练机制,可以逼近一些不是很容易计算的目标函数.

基本框架

一个最朴素的GAN模型实际上是将一个随机变量(可以是高斯分布,或者01之间的均匀分布),通过参数化的概率生成模型(通常是用一个神经网络模型来进行参数化),进行概率分布的逆变换采样,从而得到一个生成的概率分布.

GAN的或者一般概率生成模型的训练目的,就是要使得生成的概率分布和真实数据的分布尽量接近,从而能够解释真实的数据.但是在实际应用中,我们完全没有办法知道真实数据的分布.我们所能够得到的只是从这个真实的数据分布中所采样得到的一些真实数据

荒野雄兵
关注
专栏目录
生成对抗网络（GAN）详解
qq_57019146的博客
11-12 5074
生成对抗网络（Generative Adversarial Network, GAN）是由IanGoodfellow于2014年在《Generative Adversarial Nets》中提出的模型。
生成式对抗网络（Generative Adversarial Networks, GANs）
coffee_cream的博客
10-14 1950
1 GANs 的结构 生成式对抗网络 GANs 包括两个部分： 生成器（Generator） ：用于生成“假”样本。生成器从先验分布中采得随机信号，经过神经网络的变换，得到模拟样本。 判别器（Discriminator） ：用于判断输入的样本是真实的还是合成的。判别器既接收来自实际数据集的真实样本，也接收来自生成器的模拟样本，判别器需要判断输入的样本是真实数据还是生成器的模拟（假）数据。 从上面可以看出，生成器和判别器是对抗的关系，生成器要尽可能生成出让判别器失败的样本，而判别器要尽可能识别出生成器的假
生成对抗网络（Generative Adversarial Network，简称GAN
最新发布
m0_70066267的博客
07-24 1042
生成对抗网络（GAN）作为一种强大的深度学习模型，通过生成器和判别器的相互对抗进行学习，展示了在多个领域的广泛应用潜力。尽管GAN的训练过程存在不稳定性、评估困难等挑战，但随着研究的深入和技术的不断发展，相信GAN将在更多领域发挥重要作用，推动人工智能技术的进一步发展。未来，随着计算资源的不断提升和模型结构的持续优化，GAN的性能和应用范围将得到进一步提升和拓展。
什么是 生成式对抗网络
weixin_42611310的博客
01-15 312
生成式对抗网络 (Generative Adversarial Networks, GANs) 是一种由生成器和判别器组成的深度学习模型。生成器的目的是生成和真实数据相似的数据，而判别器的目的是区分生成器生成的数据和真实数据。两者在训练过程中相互博弈，生成器试图生成更逼真的数据而判别器试图更好的区分真假。 ...
生成式对抗网络（GAN）
凌逆战的博客
09-26 3869

  　　生成对抗网络（GAN），是深度学习模型之一，2014年lan Goodfellow的开篇之作Generative Adversarial Network，
 GAN概述
 　　GAN包括两个模型，一个是生成模型（generative model），一个是判别模型（discriminative model）。生成模型要做的事情就是生成看起来真的...
深度学习（4）---生成式对抗网络(GAN)
m0_62881487的博客
10-29 2456
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。
Gan（生成式对抗网络）
This is bill的专属博客
04-18 1174
生成式对抗网络（GAN, Generative Adversarial Networks ）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。模型通过框架中（至少）两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。原始 GAN 理论中，并不要求 G 和 D 都是神经网络，只需要是能拟合相应生...
生成式对抗网络GAN的研究进展与展望_王坤峰.pdf
11-24
生成式对抗网络（Generative Adversarial Networks, GAN）是一种深度学习模型，它基于博弈论中的二人零和游戏概念，由两个神经网络组件——生成器（Generator）和判别器（Discriminator）组成。生成器的目标是创建与...
到底什么是生成式对抗网络 GAN？
肖朋伟
12-17 945
到底什么是生成式对抗网络 GAN？ 先来看一下 百度百科-GAN 的解释 生成式对抗网络（GAN, Generative Adversarial Networks ）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。 模型通过框架中（至少）两个模块：生成模型（Generative Model）和 判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。...
生成式对抗网络
wkywcd的博客
08-31 575
目录一、Network as Generator1、为什么要distribution?二、Generative Adversarial Network（GAN）1、Unconditional generation（1）Discriminator辨识器(2)Basic Idea of GAN(3)Generator VS Discriminator三、GAN的理论1、Divergence怎么计算2、Discriminator怎么训练3、GAN训练的小技巧(1)JS divergence有什么问题(2)WGAN
生成对抗网络 (Generative Adversarial Network)
AI大模型应用之禅
06-30 376
生成对抗网络 (Generative Adversarial Network) 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming / TextGenWebUILLM
生成对抗网络(Generative Adversarial Networks)
热门推荐
weixin_36670529的博客
05-31 1万+
目录 一、生成对抗网络原理 1、模型的起源 2、模型的结构和损失函数 二、对GAN的改进 1、零和博弈 2、非饱和博弈 3、最大似然博弈 三、GAN的训练 四、GAN面临的问题 1、很难达到纳什均衡点 2、无法有效监控收敛状态 3、模型崩溃 4、不适合离散输出 五、GAN的应用 1、图像生成 2、由文本生成图片 3、超分辨Super-Resolution 一、生...
生成对抗网络（GAN）
I‘m Frank Lee
02-11 1万+
简介 生成式对抗网络（GAN, Generative Adversarial Networks ）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。模型通过框架中（至少）两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。原始 GAN 理论中，并不要求 G 和 D 都是神经网络，只需要是能拟...
生成式对抗网络（GAN
qq_55552561的博客
12-12 1243
GAN包含有两个模型，一个是生成模型，一个是判别模型。生成模型的任务是生成看起来自然真实的、和原始数据相似的实例。判别模型的任务是判断给定的实例看起来是自然真实的还是人为伪造的（真实实例来源于数据集，伪造实例来源于生成模型）。·结合整体模型图示，再以生成图片作为例子具体说明下面。我们有两个网络，G（Generator）和D（Discriminator）。·Generator是一个生成图片的网络，它接收一个随机的噪声z，通过这个噪声生成图片，记做G(z)。
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