对于GAN中min maxV(D,G)的理解

最新推荐文章于 2024-04-20 13:08:20 发布
最新推荐文章于 2024-04-20 13:08:20 发布
阅读量4.5k 收藏 27
点赞数 9
文章标签： 机器学习 计算机视觉 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_38132153/article/details/104976245
版权

原来看过一遍，还是忘了，今天在这里做个笔记，给自己提个醒。
在这里插入图片描述
这个公式是最大化D和最小化G，xPdata(x)是样本中采样的真实图片，D(x)是真实图片的概率；zPz(z)指生成一份随机噪声z；G(z)是噪声z通过生成器生成的图片，D(G(z))是这个生成图片是真实图片的概率。期望E是因为每次训练的时候一批一批地输入。
在这里插入图片描述
对于D而言，我们希望判定真实图片的概率高，假图片的判别低，但是D(x)和D(G(z))一个大一个小可不行，，所以我们在这里用1-D(G(z))，让两项变得都大，让D最大化。
在这里插入图片描述
对于G而言，我们希望生成假图片更真实，D(G(z))更大，为了统一，我们就使用1-D(G(z))，让G最小化。

转载自https://blog.csdn.net/on2way/article/details/72773771
https://www.cnblogs.com/dynmi/p/12142722.html

GAN的训练策略:Minimax博弈与最优化技术
AI天才研究院
04-05 582
GAN的训练策略:Minimax博弈与最优化技术 作者：禅与计算机程序设计艺术 1. 背景介绍 生成对抗网络(Generative Adversarial Network, GAN)是近年来机器学习领域最重要的创新之一。GAN通过构建一个由生成器(Generat
目标检测YOLO实战应用案例100讲-基于深度学习的水下图像增强及目标检测算法研究与应用（中）
最新发布
qq_36130719的博客
04-28 923
和基于深度学习的方法CycleGAN[64]，UGAN[36]，Water-Net[42]，UWGAN[38]（underwaterGAN，水下GAN）和FUnIE-GAN[89]。图4-9为典型的水下色偏的图像，大多数增强方法对其颜色校正的效果有限。比较方法包括传统方法FE[12]，RB[16]，RCP[26]，UDCP[23]，IBLA[28]，Uhaze-line[30]，方法，图像复原方法：RCP[26]，UDCP[23]，IBLA[28]，和Uhaze-line[30]方法，以及基于。
如何理解GAN的minimax
fine_0007的博客
11-06 2859
如何理解GAN的minimax 原始公式： minimax规则解释可见https://en.wikipedia.org/wiki/Minimax 此处min和max的目标均是公式中的损失函数，这是对于真假输入两种情况判别器交叉熵损失的求和。 其中minimax在此条件下的含义是，首先寻求使损失最大（判别效果最佳）的判别器，其次是在此情况下使损失最小的生成器。 但是在实际训练中二者可以交替训练，也可以一起训练。 ...
如何理解数学公式中出现的极大极小minmax含义
夏之微风的博客
08-13 7517
写在前面 在机器学习的研究过程中，会碰到一些同时出现minmax的数学公式（我是在GAN中碰到的）。最初不太明白什么意思，后面弄懂了，因此记录一下。 举例 maxxminysin(x+y) \underset{x}{max}\underset{y}{min} sin(x+y) xmax​ymin​sin(x+y) 例如，我们该如何理解上面的公式呢。 我们应该这样理解。 我们先固定x，例如x为0.5，这时为了让sin(x+y)最小，y的取值就可以是3/2π−0.53/2\pi-0.53/2π−0.5。 当y的
GAN之V(D,G)函数
qq_42413820的博客
06-13 5212
       在阐述GAN之前，我们先看和GAN原理相似的图灵测试：       在图灵测式中，AI（A） 和一个正常人类（B）一起被关在房间里，房间外有个裁判员（C）通过非接触的方式与房间内的 A 和 B 交流。A，B，C 三者刚好对应于 GAN 中的 Generator，Real Data 和 Discriminator。互相对应的这三者的目标也完全一致：A（Generator）试图生成与 B...
min-max容斥【概念+例题解析】
lucius-liu.cn
09-05 2716
min-max容斥公式： T为S中的子集，累加符号表示要求出S中的所有子集进行计算。 max(S)： 表示S集合中出现元素的期望最大值，即所有元素全部出现时的期望。 min(T)： 表示T集合中出现元素的期望最小值，即只要出现元素即可。 证明过程如果想要了解可以自行百度，涉及二项式反演内容。 例题1【h...
Generative Adversarial Network（GAN）笔记
m0_37374707的博客
11-22 598
Generative Adversarial Network 核心思想 生成对抗网络由一个生成网络（Generator）与一个判别网络（Discriminator）组成。生成网络从隐空间（latent space 即噪声所在空间）中随机采样作为输入，其输出结果需要尽量模仿训练集中的真实样本。判别网络的输入则为真实样本或生成网络的输出，其目的是将生成网络的输出从真实样本中尽可能分辨出来。而生成网...
GAN&&StyleGAN学习笔记（1）
qq_43522924的博客
04-01 620
GAN及StyleGAN学习，原理以及网络模型分析
深度有趣 | 20 CycleGAN性别转换
宏伦工作室
09-20 4010
简介 介绍可用于实现多种非配对图像翻译任务的CycleGAN模型，并完成性别转换任务 原理 和pix2pix不同，CycleGAN不需要严格配对的图片，只需要两类（domain）即可，例如一个文件夹都是苹果图片，另一个文件夹都是橘子图片 使用A和B两类图片，就可以实现A到B的翻译和B到A的翻译 论文官方网站上提供了详细的例子和介绍，https://junyanz.github.io/CycleGA...
GAN史上最全基础入门总结
NewErLLLLLLLL的博客
01-26 1777
阅读提醒：中英文混杂 1. Introduction to GAN 1.1 Motivation Generative models: explicit models: Likelihood-based models ( autoregressive and flows/VAE) implicit models: sample z → sample x, learning the deep neural network without explicit density estimation 1.
GAN的基本介绍
comeonBao的博客
01-06 2792
机器之心经授权转载公众号：PaperWeekly作者：郭晓锋 （爱奇艺）前阵子学习 GAN 的过程发现现在的 GAN 综述文章大都是 2016 年 Ian Goodfellow 或者自动化所王飞跃老师那篇。可是在深度学习，GAN 领域，其进展都是以月来计算的，感觉那两篇综述有些老了。最近发现有一篇最新的 GAN 综述论文，四十余页，介绍了 GAN 的各个方面，于是就学习并整理笔记如下。文中许多内容大都根据自己所学总结，有不当之处欢迎指出。此外，本文参考了许多博客资料，已给出参考链接。如有侵权，请私信删除。文
深度学习之生成对抗网络
zlinxi
11-03 2753
一、基本原理 生成对抗网络有一个生成器(Generator,简称G)生成数据和一个鉴别器(Discriminator,简称D)鉴别数据是否与真实数据相似。GAN是半监督学习方式训练的模型，基于神经网络，经常被用在图像处理和半监督学习领域。 生成器作用D：生成和真实数据几乎没有差距的数据 鉴别器的作用G：尽最大努力区分生成器生成的数据和真实数据 训练一个生成器(Generator,简称G)...
机器学习算法（二十八）：Gan （生成式对抗网络）
weixin_39910711的博客
03-20 1万+
生成式对抗网络（GAN, Generative Adversarial Networks ）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中（至少）两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。原始 GAN理论中，并不要求 G 和 D 都是神经网络，只需要是能拟合相应生成和判别的函数即可。但实用中一般均使用深度神经网络作为 G 和 D 。一个优秀的GAN应用需要有...
非常详细的GAN（生成对抗网络）原理解读
weixin_43485035的博客
04-11 2502
GAN 什么是生成? 生成就是模型通过学习一些数据，然后生成类似的数据 GAN原理 GAN是如何生成图片？GAN有两个网络，一个是generator（生成图片的网络），还有一个是discriminator（判别网络）。 在我们训练过程当中，生成网络G的目标就是尽量生成真实的图片去"欺骗"网络D。 网络D的目标就是区分生成的图片与真实的图片。 这样就构成的一个"博弈过程"。 在最理想的情况下，G可以生成足以“以假乱真”的图片G(z)。对于D来说，它难以判定G生成的图片究竟是不是真实的，因此D(G(z)
GAN（二）损失函数推导
TyjphsQ的博客
04-20 1498
上式中，我们目标是max V（D,G），即固定G，调整D，那么G不受影响，G（z）是近似X的分布，这里我们换元，后半部分，就变成了对x的积分，噪音的分布也写成。X 是真实数据，G(z)是生成的数据，所以有D（x) -> 1, D（G(z)）-> 0.要求调整D，求最值，于是对D进行求导，找驻点嘛。（注意，只是对D求导，并不对x进行求导），就是提高判别器的能力，在判别器眼里，这应该是两种。，就是提高生成器的能力，在生成器眼里，这应该是两种。其中 max 代表，固定G，调整D，使得。
【Generative Adversarial Nets 生成对抗网络(GAN) 】学习笔记
滢滢码仔
04-26 3472
生成模型（造假者）：抓住整个数据的分布，对分布进行建模；尽量使得数据分布靠近，尽量使辨别模型犯错。一个多层神经网络MLP，输入随机的噪音，MLP把产生噪音的分布（常为一个高斯分布）映射到想要去拟合的目标分布。 辨别模型（警察）：判别模型是真实数据还是生成数据 也为一个多层神经网络MLP。最后目标：生成模型生成的数据让判别模型无法分出真假，生成真实一样的数据...
GAN的基本理论
lizhaoxin666的博客
05-05 301
李宏毅GAN笔记——基本理论1 1 把图像数据看做一个高维向量，其实其是有分布的，因为在图像向量所在的高维空间中只有非常少的部分sample出来的image看起来像人脸： 真实人脸的分布Pdata(x)是存在的，但是我们不知道，我们希望寻找一个分布PG(x;θ)与Pdata越接近越好，其中PG(x;θ)的分布由θ决定，我们从Pdata(x)中sample一组图片，计算在分布PG(x;θ)中sample该组图片的概率L，我们的目标就是最大化L。 ...
【AI-CPS】【生成对抗性网络】 GAN开山之作及最新综述
产业智能官
01-01 1518
1论文: Generative Adversarial Nets本文是 GAN 的开山之作.GAN 由两个神经网络组成, 一为生成器 Generator, 一为判别器 Discriminator. 生成器用于捕捉(真实)数据的分布; 判别器用于估计(输入它的)样本是真实数据的概率, 从而能够指导生成器的训练.GAN 存在唯一的解, 即生成器能恢复真实的数据分布, 判别器的输出处处为 1/2对于以下
人工智能之GAN算法
热门推荐
云淡风清的Coding
07-02 2万+
不管何种模型，其损失函数（Loss Function）选择，将影响到训练结果质量，是机器学习模型设计的重要部分。对于判别模型，损失函数是容易定义的，因为输出的目标相对简单。但对于生成模型，损失函数却是不容易定义的。2014年GoodFellow等人发表了一篇论文“Goodfellow, Ian, et al. Generative adversarial nets." Advances inNeu...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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