机器学习与深度学习系列连载： 第四部分 对抗网络GAN (九) 对抗网络 （RankGAN + GAN家族总结）

最新推荐文章于 2024-04-19 10:29:45 发布
最新推荐文章于 2024-04-19 10:29:45 发布
阅读量1.7k 收藏 4
点赞数 3
分类专栏： GAN 神经网络 深度学习 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/dukuku5038/article/details/85318615
版权
深度学习 同时被 3 个专栏收录
53 篇文章 8 订阅
订阅专栏
神经网络
51 篇文章 1 订阅
订阅专栏
GAN
9 篇文章 2 订阅
订阅专栏

对抗网络 （RankGAN + GAN家族总结）

１.RankGAN

这个模型不一样的地方在于,将原来的Discriminator从二分类模型变为一个排序模型,也就是一个Leaning to Rank的问题.所以模型的两个神经网络为:一个generator和一个ranker.

在这里插入图片描述

其中G为生成的样本,H为抽样的真实的样本,U为抽样的真实的样本.(没错，这里是两个都是真实样本)

基本思想就是分别计算G和U,H和U的相似度,

正常来说,H和U应该更相似.因为都是来自真实样本的分布.

这里H和U的采样方式论文中没有提,感觉构造的时候混入一些和G更相似的U和H可以有更好的训练效果.

计算rank得分的时候,是通过计算多组样本得到期望得分,具体为:
在这里插入图片描述

2.GAN家族

在这里插入图片描述

在这里插入图片描述

GAN可以说是近年来，在人工智能领域最重要的算法贡献！

其实GAN也是符合自然规律的，从进化论甚至中国的古代阴阳八卦中都能找到GAN算法的影子。

大道至简、大道相同，自然之道，相生相克！

很荣幸能够让大家看到我的文章，想大家学习，一起进步！

本专栏图片、公式很多来自台湾大学李宏毅老师的深度学习课程,在这里，感谢这些经典课程，向李老师致敬！

人工智能插班生
关注
  • 3
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
RankGan-NIPS2017:RankGan（语言生成的专业排名）的Tensorflow实现
05-13
语言生成的对抗排名 介绍 这是Kevin Lin * ，Dianqi Li * ，何小东，张正有，孙明廷，NIPS 2017的的张量流实现。 环境 该代码基于python2.7和tensorflow 1.2版本。 该代码是使用一个NVIDIA M40 GPU开发和测试的。 跑步 python main.py 笔记 为了公平地比较，我们在使用了相同的LSTM单位，预训练和测试配置。 如果使用tf.contrib.rnn.LSTMCell而不是其LSTM实现，则会获得不同的训练结果。 save/target_params.pkl是oracle模型的参数。 log文件夹存储模型训练的日志。 理想情况下，您将在8.00-8.50之间收到8.00-8.50损失。 但是，对抗训练有时取决于训练前模型的质量。 用于对抗文本生成的更多评估指标可以参考： 和 。 引用RankGan 如果您发现Ran
RankGAN(NIPS 2018)
qq_43390809的博客
09-14 887
Adversarial Ranking for Language Generation 贡献 本文提出了一个新的对抗性学习框架RankGAN，以产生高质量的语言描述。RankGAN在一个对抗性的框架下，从机器书写和人类书写句子之间的相对排名信息中学习该模型。在所提出的RankGAN中，将discriminator的训练放宽为一个learning-to-rank 优化问题。具体地说，新的对抗网络由两个神经网络模型组成，一个生成器和一个ranker。与执行二元分类任务不同，对ranker进行训练，将机器写..
【深度视觉】第十四章：生成网络2——GAN、DCGAN
因为热爱所以坚持
04-19 960
比如，如果你的损失函数仅仅是判别器的判别损失，那就是二分类交叉熵损失，这么一个损失函数时，那生成器就不往越真的方向迭代了啊，此时生成器越摆烂越好，判别器也可以轻松把真判为真、把假判为假，此时损失是垮垮往下降的啊。，也就是判别器输出的是一类标签下的概率，就是当判别器输出大于0.5(当然这个阈值你可以自己定)，就是认为是标签1的概率，也就是认为图片是真的概率，当判别器的概率小于0.5，就说明判别器认为生成器生成的是假数据。判别器的目标是让自己的判断准确性越来 越高，尽量判别出真伪，所以判别器的迭代方向是向。
GAN家族简记
read, note and comment papers
12-10 1088
GAN家族简记 这个github里面有很多GAN代码，简单易懂https://github.com/wiseodd/generative-models 这个网站详细介绍了GAN的历程：http://www.openpcba.com/web/contents/get?id=3541&tid=15 GAN :D衡量的是G（z）和x之间的JS散度 improved GAN（mini-batch...
【GANs学习笔记】（二）GANs大家族分类
a312863063的博客
10-30 2896
4. GANs大家族分类       随着GANs的火热，相关的衍伸模型出现了至少有上百种，在下面这个博客 https://deephunt.in/the-gan-zoo-79597dc8c347中整理了非常多的GANs变种。本书仅选择与计算机视觉相关的GANs作介绍，简要地介绍其核心思想和算法原理。本书
生成对抗网络（GANs）最新家谱：为你揭秘GANs的前世今生
大数据文摘
12-04 804
作者：Guim Perarnau 编译：Katherine Hou、朝夕、Katrine Ren、Shan LIU、笪洁琼、钱天培 生成对抗网络（GAN）一经提出就风光无限，更是被Yann Lecun誉为“十年来机器学习领域最有趣的想法”。 GAN“左右互搏”的理念几乎众所周知，但正如卷积神经网络（CNN）一样，GAN发展至今已经衍生出了诸多变化形态。 今天，文摘菌就来为大家盘点一下G
机器学习+深度学习+生成对抗网络+基于生成对抗网络的Hi-C数据增强方法+毕业设计
06-13
机器学习+深度学习+生成对抗网络+基于生成对抗网络的Hi-C数据增强方法+毕业设计 机器学习+深度学习+生成对抗网络+基于生成对抗网络的Hi-C数据增强方法+毕业设计 机器学习+深度学习+生成对抗网络+基于生成对抗网络...
GAN.rar_GAN网络_GaN_深度学习_生成对抗网络
09-24
生成对抗网络（GAN）是一种深度学习模型，由Ian Goodfellow在2014年提出，主要用于图像生成、视频预测、音频合成等任务。GAN的基本思想是通过两个神经网络——生成器（Generator）和判别器（Discriminator）之间的...
生成对抗网络（GAN）实例 代码+数据集
04-18
生成对抗网络（GAN）是一种深度学习模型，由Ian Goodfellow在2014年提出，主要用于生成逼真的新样本。GANs的核心是通过两个神经网络——生成器（Generator）和判别器（Discriminator）之间的博弈来学习数据分布。在...
深度学习与PyTorch入门实战教程-对抗生成网络GAN.rar
04-07
本教程“深度学习与PyTorch入门实战教程-对抗生成网络GAN”旨在帮助初学者快速掌握深度学习的基本概念，并通过实践对抗生成网络（GANs）来提升技能。 对抗生成网络（Generative Adversarial Networks，GANs）是由...
基于Pytorch的生成对抗网络GAN深度学习网络模型训练和测试实现
最新发布
05-31
在提供的文件“基于Pytorch的生成对抗网络GAN深度学习网络模型训练和测试.py”中，我们预期会看到以下关键部分： - **模型定义**：包括生成器和判别器的架构，通常使用卷积神经网络（CNN）或全连接网络（FCN）。 - *...
GAN网络(Generative Adversarial Nets)
yunyi4367的博客
05-29 866
1.
在图像生成领域里，GAN这一大家族是如何生根发芽的
喜欢打酱油的老鸟
11-06 535
作者：思源 生成对抗网络这一 ML 新成员目前已经枝繁叶茂了，截止今年 5 月份，目前 GAN 至少有 300+的论文与变体。而本文尝试借助机器之心 SOTA 项目梳理生成对抗网络的架构与损失函数发展路径，看看 GAN 这一大家族都有什么样的重要历程。 在前一篇文章中，我们展示了如何借助 SOTA 项目探索机器翻译最前沿的进展。我们可以发现，拥有最顶尖效果的模型，通常都有非常美妙的想法，这对于...
Super-resolution:RankSRGAN: Generative Adversarial Networks with Ranker for Image SR(论文简读二十二）
一一
08-18 2195
Title：RankSRGAN: Generative Adversarial Networks with Ranker for Image Super-Resolution From：ICCV2019 Note data：2019/08/18 Abstract：针对现有方法中无法合理评估生成图像质量问题，采用感知指标来评估感知质量并提出具有Ranker（RankSRGAN）的超分辨生成对抗...
Gan（Generative Adversarial Net）学习笔记（1）--- Gan的基础理论
D__IL的博客
01-22 1070
注：参考自知乎用户 何之源的《GAN学习指南：从原理入门到制作生成Demo》以及       ‘机器之心’的《独家 | GAN之父NIPS 2016演讲现场直击：全方位解读生成对抗网络的原理及未来》。 -------------------------------------------------------------------------------------------------
序列生成_序列生成：SeqGAN和RankGAN
weixin_33281940的博客
12-31 682
这篇文章主要介绍两个序列生成的GAN模型，分别是发表在AAAI 2017上的SeqGan和 NIPS 2017上的 RankGANSeqGAN: Sequence Generative Adversarial Nets with Policy Gradient​arxiv.orgAdversarial Ranking for Language Generation​59.80.44.49除了在图像...
RankSRGAN阅读笔记
程序员深度学习
11-17 1900
1. 摘要 生成对抗网络（GAN）已经证明了恢复单图像超分辨率（SISR）的真实细节的潜力。 为了进一步提高超分辨率结果的视觉质量，PIRM2018-SR Challenge采用感知矩形来评估感知质量，例如PI，NIQE和Ma。 论文针对现有的方法不能直接优化一些无差异的感知度量问题，引入一个新的rank-content loss（内容排序损失）来优化感知质量，提出了具有Ranker（RankS...
RankSRGAN论文总结
weixin_44319120的博客
11-22 553
论文： Generative Adversarial Networks with Ranker for Image Super-Resolution 论文解决的问题： 许多与人类评价高度相关的无参考图像质量评估（NR-IQA）指标（通常包括手工特征提取或统计回归操作），无法用作损失函数来优化网络的问题 论文使用的主要方法： 提出一个可以学习感知指标行为可微分的Ranker模型： ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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