(3)WGAN&WGAN-GP
WGAN提出GAN训练不稳定的原因,即JS不适合衡量不相交的分布之间的距离。对GAN损失函数做出了很大的改进,判决器最后一层去掉sigmoid,生成器和判决器的loss不取log,对更新后的权重截断到一定范围内。提出Wasserstein距离。
损失函数:(已转化为最小化形式)
WGAN-GP是针对WGAN的存在的问题提出来的,WGAN在理论上表现很好但在真实的实验过程中依旧存在着训练困难、收敛速度慢的 问题,相比较传统GAN在实验上提升不是很明显。WGAN-GP在文章中指出了WGAN存在问题的原因,那就是WGAN在处理Lipschitz限制条件时直接采用了 weight clipping,就是每当更新完一次判别器的参数之后,就检查判别器的所有参数的绝对值有没有超过一个阈值,比如0.01,有的话就把这些参数 clip回 [-0.01, 0.01] 范围内。并且,也发现强制剪切权重容易导致梯度消失或者梯度爆炸。
损失函数:(已转化为最小化形式)
生成对抗网络(2)
最新推荐文章于 2024-01-30 11:54:23 发布
![](https://img-home.csdnimg.cn/images/20240711042549.png)