本文介绍DCGAN(Deep Convolution Generative Adversarial Nets)- 卷积生成对抗网络
相关论文 https://arxiv.org/pdf/1411.1784.pdf
1、生成性对抗网络
GAN(Generative Adversarial Nets)由两个“对抗”模型组成:一个捕获数据分布的生成模型G和一个判别模型D,
它估计样本来自训练数据的概率而不是生成样本的概率. G和D都可以是非线性的映射函数,例如多层感知器。
为了在数据数据x上学习生成器分布p_z(z) ,生成器建立从先前噪声分布p_z(z)到数据空间的映射函数,如G(z;θg)。
鉴别器D(x;θd)输入是真实图像或者生成图像,输出单个标量,该标量表示x来自训练数据而不是p_g的概率。
G和D都同时训练:固定判别模型 D,调整 G 的参数使得 log(1−D(G(z))的期望最小化;固定生成模型 G,调整 D 的参数
使得 logD(X)+log(1−D(G(z)))log 的期望最大化,这个优化过程归结为二元极小极大博弈(minimax two-player game)”问题:
2、卷积生成对抗网络
DCGAN( Deep Convolution Generative Adversarial Nets),卷积生成对抗网络。卷积生成对抗网络指的是在生成对抗
网络中采用卷积结构,提升了生成网络效果,尤其图像生成和无监督学习得到非常良好的效果。
先看下一个DCGAN中用到的反卷积(后卷积,转置卷积)概念,再看原文提出的网络架构
2.1 逆卷积
1、卷积计算
原图尺寸为n1,卷积尺寸为n2,步骤为1,那么输出尺寸为n1 – n2 + 1
几种卷积(按填充方式,假设步骤为1)
full: 图片大小为n1,卷积核大小为n2,卷积后图像大小:n1 + n2-1。
same: 滑动步长为1,图片大小为n1,卷积核大小为n2,卷积后图像大小:n1,保证输出一样,所以填充大小和kerne大小有关
valid