GAN
生成对抗网络:只是提出一种网络架构。
GAN简单的想法就是用两个模型,一个是生成模型,一个是判别模型,判断模型用于对数据的判断,生成模型则是模型自己去产生数据。这两个模型一同对抗, 生成模型生成的数据去欺骗判别模型,判别模型去判断数据的真假,从而二者共同完善从而达到稳定。
判别模型比较好理解,就像分类一样,有一个判别界限,通过这个判别界限去区分样本。从概率角度分析就是获得样本x属于类别y的概率,是一个条件概率P(y|x).而生成模型是需要在整个条件内去产生数据的分布,就像高斯分布一样,他需要去拟合整个分布,从概率角度分析就是样本x在整个分布中的产生的概率,即联合概率P(xy)。
生成对抗网络的改进
1)由GAN改为条件生成式模型:该模型实现了给定条件的数据生成。
2)改进输入z:使用随机噪声z作为输入时,生成的结果不可控,因此使用具有信息意义数据作为输入。生成网络相当于对数据进行解析编码,这样使得应用范围更加广。
3)对条件分布建模:由已有数据预测未出现的数据。
4)改进为半监督学习:通过加入少量类别标签,引入有标签数据的类别损失度量,不仅功能上实现了半监督学习,同时也有助于 GAN 的稳定训练。