生成对抗网络推导

本文深入探讨了生成对抗网络(GAN)的基本原理。首先,当生成器G固定时,证明了最优鉴别器D的性质。接着,介绍了连续随机变量的KL散度和Jensen-Shannon散度,并证明了虚拟训练准则C(G)的全局最小值对应于生成分布与真实分布相等的情况,此时其值为-log4。
摘要由CSDN通过智能技术生成

1 For G fixed, the optimal discriminator D is

DG(x)=q(x)q(x)+p(x)


V(D,G)=Eq(x)[log(D(x))]+Ep(z)[log(1D(G(z)))]=q(x)log(D(x))dx+p(z)p(x|z)log(1D(x))dxdz

固定 G ,我们的目标是最大化 V(G,D) 。因为  
p(x)=p(z)p(x|z)dz ,所以

V(D,G)=q(x)log(D(x))dx+p(x)log(1D(x))dx
  • 0
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 3
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
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