0. “GAN ZOO”系列文章开更说明
GAN到底有多“热”?
据统计,GAN的相关论文正在以指数趋势增长,如上图所示。
But,
GAN论文这么多,而且都是英文的,怎么可能读得完!
为此,“AI微刊”团队将推出“GAN ZOO”系列文章,精选典型GAN模型(没有水论文),对其进行精简的解析,让你“三分钟”读完一篇论文。
适合初学小白,也适合大牛持续追踪热度。
再不GAN,我们就老了!
——AI 微刊《GAN ZOO》
GAN ZOO - 第1节:
分析GAN的缺陷与改进方向,介绍典型的改进模型:CGAN、InfoGAN
本文是“GAN ZOO”系列第一篇,将为您:
- 剖析原始GAN的原生缺陷以及改进方向!
- 介绍经典模型:条件GAN(CGAN)与InfoGAN。
1. 原始GAN (Primary GAN ):GAN源于神奇的零和博弈,但也存在许多原生缺陷
1.1 原始GAN的原理
1.1.1 原始GAN的思想:
GAN基于博弈论中零和博弈的思想,通过生成网络G(Generator)和判别网络D(Discriminator)相互博弈,进而使G学习到样本的数据分布:
- G是一个生成网络,接收随机噪声z,并将其拟合为样本;
- D是一个判别网络,判断样本是真实样本x,还是G生成的假样本G(z);
训练过程中,G生成尽可能“接近真实”的样本来欺骗D,而D尽量辨别给出的样本是真样本x还是假样本G(z),双方动态“博弈”,最终达到纳什均衡点。
1.1.2 原始GAN的模型
GAN损失函数:
GAN算法流程: