深度学习之 生成对抗网络 GAN 及发展历程整理

本文详细介绍了生成对抗网络(GAN)的基本思想,包括其源于博弈论的零和游戏机制,以及由生成器和判别器构成的模型结构。同时概述了GAN的发展历程,包括C-GAN、DCGAN、InfoGAN、WGAN等重要进展。
摘要由CSDN通过智能技术生成


 本文介绍 GAN (Generative Adversarial Networks),即生成对抗网络基本概念及发展历程

 参考资料
 论文 https://arxiv.org/abs/1406.2661
 论文 《生成式对抗网络GAN的研究进展与展望》

1、GAN 介绍

 生成对抗网络GAN(Generative Adversarial Networks),基本思想源自博弈论的零和游戏,由一个生成器和一个

判别器构成,通过对抗学习的方法来训练。GAN 的核心思想来源于博弈论的纳什均衡. 它设定参与游戏双方分别为一个生

成器(Generator)和一个判别器(Discriminator), 生成器的目的是尽量去学习真实的数据分布, 而判别器的目的是

尽量正确判别输入数据是来自真实数据还是来自生成器。

 为了取得游戏胜利, 这两个游戏参与者需要不断优化, 各自提高自己的生成能力和判别能力, 这个学习优化过程就是寻找

二者之间的一个纳什均衡. GAN的计算流程与结构如下图 所示. 任意可微分的函数都可以用来表示GAN 的生成器和判别器,由

此,我们用可微分函数D 和G 来分别表示判别器和生成器, 它们的输入分别为真实数据x 和随机变量z.G(z) 则为由G 生成的尽量

服从真实数据分布P_data的样本. 如果判别器的输入来自真实数据, 标注为1.如果输入样本为G(z), 标注为0. 这里D 的目标是实

现对数据来源的二分类判别: 真(来源于真实数据x 的分布) 或者伪(来源于生成器的伪数据G(z)),而G 的目标是使自己生成的伪数

据G(z) 在D 上的表现D(G(z)) 和真实数据x 在D 上的表现D(x)一致, 这两个相互对抗并迭代优化的过程使得D 和G 的性能不断提

升, 当最终D 的判别能力提升到一定程度, 并且无法正确判别数

  • 9
    点赞
  • 26
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“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

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