2021-06-05生成对抗网络一 李宏毅（学习笔记）

最新推荐文章于 2024-01-21 10:53:58 发布
最新推荐文章于 2024-01-21 10:53:58 发布
阅读量565 收藏 7
点赞数
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/m0_55217431/article/details/117605108
版权

目录

（二）GAN的理论

GAN的评估方法

Condition Generation

无监督训练

GAN

把network作为generator使用，特别的地方就是network的输入会加上一个随机变量z，这个z可能是从某一个distribution采样出来的，该distribution应该够简单，它可能是一个公式，以便我们采用，也就是同时看输入x和z得到输出。

z特别的地方是：它是不固定的，每次我们用该网络时都会生成一个z，每次由输入x时，我们都从distribution中做一个sample和x运算，这时我们network的输出就会转化成一个复杂的distribution，我们叫该类网络为生成对抗网络。

那么为什么有时候需要输出时一个分布呢？

使用普通的网络，在训练资料中有时会存在多种可能性，所以最终预测的时候可能会得到错误的结果，就比如游戏人物预测结果可能同时向左向右转

为了解决这类问题，一种方法就是让网络的输出不再是固定的，而是有概率的，输出一个几率的分布，也就是同时包含向左转和向右转的可能性。假设z是一个bimary的随机变量，有0和1各占0.5的概率，网络可以学习到的结果可能就是z采样到1的时候就向左，采样到0就向右，这样就可以解决多种可能性的问题。

总结起来就是，我们想要找一个function，但是同样的输入有多种可能的输出，而这些不同的输出都是对的，这时候我们就需要机器有一些创造的能力，举例来说就是聊天机器人的应用。

Unconditional generation（没有x）

输入为z，输出y；假如z是一个normal distribution中采样出来的一个低维向量，y是一个复杂的输出分布，当输入的向量不同的时候，就会输出不同的图片

GAN网络除了Generator外，还要多训练一个Discriminator

介绍：Discriminator本身也是一个神经网络，假设拿一张图片作为输入，输出就是一个数字Scalar，其值越大，就说明输入的图片越像我们想要的图像

generator和discriminator的网络结构我们都可以自己设定

GAN的基础架构

以以上的例子接着说，假设generator需要输出我们想要的图片，学习一开始输出的效果可能并不好，然后discriminator就会把输出图片和真实图片做对比，得出它和我们期望的结果的一个衡量值，然后generator为了骗过discriminator，就会继续进化，产生上一代discriminator期望的特征，但是discriminator也会继续进化，他会继续分辨第二代generator生成的图片和真实图片之间的差距，，循环往复，二者不断进步，

最低0.47元/天 解锁文章
m0_55217431
关注
  • 0
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
李宏毅 -生成对抗网络GAN课件 234页
11-30
李宏毅 -生成对抗网络GAN课件 234页 李宏毅 -生成对抗网络GAN课件 234页
李宏毅生成对抗网络GAN
weixin_42376458的博客
05-04 224
文章目录基础介绍 基础介绍
【机器学习】李宏毅——生成式对抗网络GAN
FavoriteStar的博客
09-17 1725
本文非常详细的介绍什么是生成式对抗网络GAN，以及GAN内部的实现原理，包括各种GAN的训练技巧和变形等等内容。
[李宏毅老师深度学习视频] 生成式对抗网络(GAN)【持续更新】
Bessie_Lee
08-26 1369
在李宏毅老师的视频中，并没有一开始就讲解什么是GAN，他先引入一个问题，为什么会有生成式对抗网络呢？他采用了一个小游戏进行介绍。游戏说明：一个小精灵可以从一个出发点出发到任意画面的位置去，我们根据小精灵的到达位置去训练一个network模型，从而预测到小精灵的位置。然而，出现了一个很离谱的画面：小精灵在转弯的时候居然分裂成了两个，还带上了虚影（？？这是什么离谱位置，转弯不成，直接分裂人物？？）为什么会有这种分裂的问题出现呢？...
李宏毅生成对抗网络2021学习笔记
kiss_the_rian的博客
05-05 520
什么是generator？ 有一个从一个简单分布（这种分布的表达式我们可以写出来）这个网络以这个分布中采样得到的向量作为输入，输出另一个复杂的分布。能够做到这种事情的网络就是生成式网络。 为什么要是一个“分布”？ 视频预测： 如果不是分布的话，可能在遇到某一情况下时，向左转和右转的情况同时存在资料库中，精灵就会分裂成两个。 如果我们在输入中加入一个分布中的采样，他的输出也就是有概率的一个分布。 当下最有名的生成器：generative adversarial network (GAN) uncond
李宏毅GAN课程讲义、生成式对抗网络课件
09-30
生成式对抗网络（Generative Adversarial Networks，简称GANs）是由Ian Goodfellow在2014年提出的一种深度学习模型，它通过两个神经网络——生成器（Generator）和判别器（Discriminator）之间的博弈来学习数据的...
李宏毅老师2021深度学习课程笔记.pdf
10-08
李宏毅老师的2021深度学习课程笔记中提到了几个关键知识点，涉及了深度学习训练技巧以及理论基础。 首先，课程提到了模型泛化能力的重要性，尤其是在模型的测试集划分上。这里提到了两种测试集的划分：public ...
台大-李宏毅-B站机器学习视频-课件.zip
09-30
台大-李宏毅-B站机器学习视频-课件.zip台大-李宏毅-B站机器学习视频-课件.zip台大-李宏毅-B站机器学习视频-课件.zip台大-李宏毅-B站机器学习视频-课件.zip台大-李宏毅-B站机器学习视频-课件.zip台大-李宏毅-B站机器...
李宏毅2021机器学习深度学习笔记PPT作业
09-05
《李宏毅2021机器学习深度学习笔记PPT作业》是一份涵盖了现代人工智能领域核心知识的资源，主要集中在机器学习和深度学习这两个关键分支上。这份资料可能包括了李宏毅教授在2021年课程中的讲义、课后作业以及相关的...
李宏毅-深度学习高级技巧一天搞懂深度学习
02-24
李宏毅-深度学习高级技巧一天搞懂深度学习。“一天搞懂深度学习”（共286页）。李宏毅教授在文中分四个章节对深度学习的介绍、训练深度神经网络的技巧，神经网络的种类以及未来的发展进行了介绍。注：为什么叫"一天...
李宏毅GAN对抗生成网络2018最新ppt全套
08-17
李宏毅GAN对抗生成网络2018最新ppt全套,内容非常详细，结合视频一起学习，将大有裨益
【学习笔记-李宏毅】GAN（生成对抗网络）全系列（一）
iioSnail的博客
07-06 3040
前言 相关链接 1. Introduction 1. 1 Basic Idea of GAN 1.2 GAN as structured learning 1.3 Generator可以自己学吗？ VAE（Variational Auto-encoder） 2. CGAN, Conditional Generation by GAN 2.1 discriminator的架构改进 2.2 Stack GAN 2.3 Image-to-image 2.4 Speech Enhancement（提升语音的质量）
李宏毅老师机器学习课笔记-生成对抗网络（GAN)
weixin_43113135的博客
05-26 259
3 李宏毅生成对抗网络学习———cGAN条件生成对抗网络
qq_35608277的博客
11-09 1770
ref https://blog.csdn.net/Teeyohuang/article/details/82391251 code https://blog.csdn.net/yinruiyang94/article/details/78122629
李宏毅 Generative Adversarial Network（GAN）生成对抗网络
最新发布
Karen_Yu_的博客
01-21 1389
machine learning就是去找一个函数，input一个东西，output另一个东西。如果是regression task，就output一个数值，如果是classification task，就是output一个class。如果我们遇到的问题是一个更复杂的问题，不是output一个数值/class，可能是一个sequence、matrix、graph、tree。这个task就是structured learning。
4 李宏毅生成对抗网络学习———WGAN
qq_35608277的博客
11-12 1166
论文题目：《Wasserstein GAN》（ 2017年收录于ICML ） 1 背景 生成对抗网络GAN（ General Adversarial Networks ）诞生以来出现的 一些问题。问题核心在GAN的目标函数JS散度： 当判别器D训练得越好，生成器G的梯度消失越严重。 优化JS散度，相当于两个分布更加接近，让两个分布重叠的时候，可以达到“以假乱 真”。但是经过分析，两种分布重叠的...
【学习笔记】李宏毅2021春机器学习课程第6.1节：生成式对抗网络 GAN（一）
Harryline的博客
07-23 850
文章目录1 能够作为生成器的神经网络 GAN2 动漫人物头像生成3 判别器（Discriminator）4 从自然选择看GAN的基本思想5 GAN 的具体实现过程步骤一： 固定 generator G 的参数，只更新discriminator D步骤二： 固定 discriminator D 的参数，只更新generator G6 动漫头像生成的具体实验结果 1 能够作为生成器的神经网络 GAN 生成式对抗网络（GAN, Generative Adversarial Networks ）是一种深度学习模型
李宏毅机器学习2016 第十六讲 生成对抗网络 GAN
Come_for_IT 的博客
01-19 2946
视频链接：李宏毅机器学习(2016)_演讲•公开课_科技_bilibili_哔哩哔哩课程资源：Hung-yi Lee课程相关PPT已经打包命名好了：链接：https://pan.baidu.com/s/1c3Jyh6S 密码：77u5我的第十五讲笔记：李宏毅机器学习2016 第十五讲 无监督学习 生成模型之 VAEGenerative Adversarial Network本章主要讲述了生成对抗网
李宏毅生成对抗网络（GAN）学习笔记--Introduction
weixin_46730019的博客
10-16 1141
一、GAN的组成 首先，生成对抗网络（GAN Generative Adversarial Nets）由生成器（Generator）和鉴别器（Discriminator）构成。 1、关于生成器Genertor的基本认识 生成器：输入一些向量（Vector）经过生成器可以生成希望得到的图像或者语句。 比如下面这张图中，首先我输入一个向量，生成器生成的图像可以看做是高维度的向量，输入第一个向量（左上）得到第一张二次元人物头像。一般来说，每个参数都代表着图像的不同特征，假设第一个参数代表头发的长度，把第.
李宏毅教授详解生成式对抗网络在图像超分辨率等领域的应用
生成式对抗网络（Generative Adversarial Networks, GANs）在近年来在图像处理领域展现出了强大的潜力，特别是在单一图像超分辨率（Single Image Super-Resolution, SISR）方面。李宏毅老师的最新介绍为我们揭示了...
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