GAN包含辨别器和生成器，是一个对抗的关系，用adversarial。是无监督的学习方式。可以将其看成老师和学生的关系。注意辨别器和生成器是轮流训练的，输入是一个随机的向量，最后的输出是一个标量。训练一个的时候把另外一个固定住不更新梯度值。对于辨别器，优化目标是两个部分，使得真实图像得分高而生成的图像得分低。结构化学习，输出不再是一个简单的向量，而是一个句子，一张图片或者一棵树等等。One-shot learning, 如果我们把每一张图片看做一个class，所以每个类别只出现一次，有些甚至
GAN包含辨别器和生成器，是一个对抗的关系，用adversarial。是无监督的学习方式。
可以将其看成老师和学生的关系。
注意辨别器和生成器是轮流训练的，输入是一个随机的向量，最后的输出是一个标量。训练一个的时候把另外一个固定住不更新梯度值。对于辨别器，优化目标是两个部分，使得真实图像得分高而生成的图像得分低。
结构化学习，输出不再是一个简单的向量，而是一个句子，一张图片或者一棵树等等。
One-shot learning, 如果我们把每一张图片看做一个class，所以每个类别只出现一次，有些甚至一次也没有出现过。
理论上用之前讲的自动编码器也可以生成图片，但是自动编码器在判断生成的图片与真实图片的距离的时候，不好定义loss，因为一个像素差别可能还不如6个像素的差别。一般来说使用自动编码器生成图片往往需要更大的网络才能生成更GAN接近的图片。
用单独的生成器和辨别器也可以生成，单独用生成器的话，无法学习到全局的信息，如果用单独辨别器的话，要生成图片的话太困难了，要解一个很难的argmax的问题。
所以我们用GAN的话其实是用生成器来解那个argmax的问题
有条件的生成：比如输入一个文字，输出一个对应的图片，而不是输入一个随机值。原来的GAN中的辨别器不需要管输入的随机值，只要产生清晰的图就好了。现在需要同时看生成器的输入和输出。
注意这个时候需要输入图片和文字的pair，作为真实数据，另外生成虚假的数据。
现在的辨别器优化的目标包括，本身的好坏，配对的好坏，
StackGAN先产生小的图，再用小图作为输入产生大的图。
无监督的条件生成，有两种方法
最低0.47元/天 解锁文章
2500
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
