GANs基础调研报告

本文介绍了Generative Adversarial Networks(GANs)的基本原理,包括其好处和挑战。深入讨论了DCGAN,它利用卷积神经网络改进训练,但也存在生成图像不稳定的问题。接着,探讨了Wasserstein GAN(WGAN),解决了传统GAN的梯度消失问题,并且通过Wasserstein距离提供更稳定的训练。最后,提到了Conditional GAN(CGAN),它通过条件信息实现无监督到有监督的转换,增强了生成器的可控性。文章引用了多个相关研究论文作为参考。
摘要由CSDN通过智能技术生成

目录


GAN


DCGAN


WassersteinGAN


Conditional GAN


1.1 GAN的原理
核心是:x表示真实图片,z表示输入G网络的噪声,而G(z)表示G网络生成的图片。D(x)表示D网络判断真实图片是否真实的概率,D(G(z))是D网络判断G生成的图片的是否真实的概率。


方法是构建两个网络,一个G生成网络,一个D区分网络。训练,G网络loss log(1-D(G(z))),D网络loss -(log(D(x))+log(1-D(G(z)))。数据输入,G网络输入noise。D输入混合G输出数据及样本数据。G网络训练,D(G(z))趋近于1,G loss最小。D网络训练 2分类,分清真实数据和生成数据,真实数据D输出趋近1,生成数据输出D(G(z))趋近0。


1.2 GAN的好处和缺点
1、Gans是一个Implict的建立学习密度函数过程,减少了人为的建模。
2、GAN的生成过程不需要繁琐的采样序列,可以直接进行新样本的采样和推断,提高了新样本的生成效率。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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