第七章半监督生成对抗网络SGAN

最新推荐文章于 2023-09-28 17:35:35 发布

CV小Rookie

最新推荐文章于 2023-09-28 17:35:35 发布

阅读量709

点赞数

分类专栏： GAN 文章标签：生成对抗网络机器学习深度学习

本文链接：https://blog.csdn.net/like_jmo/article/details/120990838

版权

8 篇文章 0 订阅

订阅专栏

写在前面：最近看了《GAN实战》，由于本人忘性大，所以仅是笔记而已，方便回忆，如果能帮助大家就更好了。

半监督学习是GAN在实际应用中最有前途的领域之一。

半监督学习只为训练数据集的一小部分提供类别标签，从这一小部分集中归纳，以有效的对未见过的新样本进行分类。要使半监督学习有效，标签数据和无标签数据必须来自相同的基本分布。

半监督生成对抗网络 Semi-Supervised GAN

其最特殊的一点：鉴别器是一个多分类器，与传统的GAN（二分类，真假问题判断）不同，SGAN的鉴别器学会分N+1类，其中N是训练数据集中的类数，生成器的伪样本增加了一类。

由架构图可以看到，鉴别器是3中输入：

（1）训练数据集无标签的真实样本 $x$

（2）训练数据集有标签的真实样本 $(x,y)$

（3）生成器生成的伪样本 $x^{*}$

	生成器	鉴别器
输入	一个随机向量 $z$	鉴别器是3中输入：训练数据集无标签的真实样本 $x$ 训练数据集有标签的真实样本 $(x,y)$ 生成器生成的伪样本 $x^{*}$
输出	尽可能令人相信的伪样本 $x^{*}$	表示输入样本属于N个真实类别的某一个或者属于伪样本的可能性
目标	生成与训练数据集别无二致的伪样本，以欺骗鉴别器，使之将伪样本分到真实类	学会将正确的类别标签分配给真实的样本，同时将来自生成器的所有样本判别为假

生成器

鉴别器

输入

一个随机向量 $z$

鉴别器是3中输入：

输出

尽可能令人相信的伪样本 $x^{*}$

表示输入样本属于N个真实类别的某一个或者属于伪样本的可能性

目标

生成与训练数据集别无二致的伪样本，以欺骗鉴别器，使之将伪样本分到真实类

学会将正确的类别标签分配给真实的样本，同时将来自生成器的所有样本判别为假

关注