GAN介绍 - 总结

 

总结

GAN是使用有监督学习来优化一个难以控制的损失函数的生成式模型， 很像玻尔兹曼机(Boltzmann machine)使用马尔可夫链(Markov chain)来优化他们的损失函数， 以及VAE使用变分低边界(variational lower bound)来优化他们的损失函数。 GAN可以使用此有监督的比值估计技术，来近似很多的损失函数， 包括最大似然估计使用的KL散度。

GAN是相对很新的技术，并且仍然需要很多的研究来挖掘它的潜力。 特别的，训练GAN需要在高维，连续，非凸的游戏中找到纳什均衡。 研究者可以尝试开发更好的理论来理解GAN，以及为GAN场景开发更好的训练算法。 这方面的成功会不仅对GAN，对解决很多的其他应用都会有帮助。

GAN是很关键的对很多先进的图像生成，以及处理系统， 并且未来还有很多的潜力在很多其他应用上。

来自：https://sinpycn.github.io/2017/05/15/GAN-Tutorial-Conclusion.html

GAN介绍 - 介绍 https://blog.csdn.net/sean2100/article/details/83662975
GAN介绍 - 为什么学习生成式模型? https://blog.csdn.net/sean2100/article/details/83681043
GAN介绍 - 生成式模型是如何工作的? GAN与其他模型有什么区别？https://blog.csdn.net/sean2100/article/details/83907062
GAN介绍 - 提示与技巧 https://blog.csdn.net/sean2100/article/details/83964523
GAN介绍 - 相关研究课题 https://blog.csdn.net/sean2100/article/details/84010202
GAN介绍 - 即插即用生成网络(PPGN) https://blog.csdn.net/sean2100/article/details/84032930
GAN介绍 - 练习题 https://blog.csdn.net/sean2100/article/details/84037752
GAN介绍 - 练习题答案 https://blog.csdn.net/sean2100/article/details/84037768
GAN介绍 - 总结 https://blog.csdn.net/sean2100/article/details/84010467