【深度学习】GANs与DCGAN

最新推荐文章于 2024-07-23 19:42:48 发布

原来zz

最新推荐文章于 2024-07-23 19:42:48 发布

阅读量2.4k

点赞数 1

分类专栏：深度学习文章标签：深度学习生成对抗网络 GANs

本文链接：https://blog.csdn.net/qq_29340857/article/details/73065289

版权

深度学习专栏收录该内容

10 篇文章 0 订阅

订阅专栏

本文介绍了生成对抗网络（GANs）的基本原理，包括GANs的博弈过程，以及判别器（Discriminator）和生成器（Generator）的角色。接着讲解了DCGAN（Deep Convolutional GAN），它利用卷积网络结构进行图片生成和分类，并提到了相关论文和未来将深入探讨的内容。

摘要由CSDN通过智能技术生成

GANs

GANs（Generative Adversarial Networks），生成对抗网络，由Ian Goodfellow 提出。
Yann Lecun评价“the most insteresting idea in the last 10 years in ML”。

下面以图片识别来简单解释一下GANs的博弈过程。
GANs同时训练两个网络。第一个网络记作判别器（Discriminator），对输入的图片进行判定，输出一个scala，值在（0，1）之间。趋近1表示判定为自然采集（real）的图片的可能性更大；趋近0表示第二个网络，也就是生成器（Generator），生成（fake）的可能性更大。Disciminator的目标是准确判别出哪些是real的图片，哪些是fake的图片。第二个网络，Generator，输入是一个简单的概率分布的向量（例如：100维的高斯分布的向量），输出是一张图片。Generator的目标是让Discriminator判定其为real。
上述的流程可以用下面的公式来定义：
这里写图片描述
换句话说，Discriminator目标是最大化上式。对于Discriminator来说：

1.对于real图片，使其输出的scala尽量趋近于1（第一项）
2.对于fake图片，使其输出的scala尽量趋近于0（第二项）

而对于Generator来说，目标是最小化上式：

完善自身生成的图片，试图欺骗Discriminator，使Discriminator对其生成的图片判别趋近1

整个过程就是Discriminator和Generator通过和对方博弈同时完善自身的网络结构的欺骗与反欺骗动态过程，最重要的是在这个过程中双方都能通过博弈进步。

DCGAN

DCGAN，Deep Convolutional GAN，顾名思义，使用卷积网络（此处卷积网络包括卷积和反卷积【反卷积介绍见这篇博文】两种操作）作为Generator和Discriminator的网络结构，主要用途生成图片和图片分类等。

Generator，主要操作是反卷积，用来生成图片示意图如下：
这里写图片描述

Discriminator，主要操作卷积，用来判定图片示意图如下：
这里写图片描述

DCGAN的来源的网络结构设计来自这篇论文Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks，下一篇博文会详细记录论文中网络结构，超参数设置，参数更新方式等细节，同时会重现论文的模型更新在github上。
欢迎交流~