gan 总结数据增强_白话GAN及其解决小样本问题的探讨

最新推荐文章于 2024-09-19 16:34:29 发布

音乐先声

最新推荐文章于 2024-09-19 16:34:29 发布

阅读量2.4k

点赞数 4

文章标签： gan 总结数据增强

本文链接：https://blog.csdn.net/weixin_42363510/article/details/112422407

版权

本文介绍了生成对抗网络(GAN)的基本原理，包括生成器和判别器的角色，以及它们如何通过博弈达到纳什平衡。GAN区别于传统概率生成模型在于它不直接建模概率分布，而是通过生成样本来体现分布。GAN的应用涵盖图像生成、转换等多个领域。文章还讨论了GAN在小样本问题上的应用，并提到了训练中的优化饱和和模式崩塌问题。

摘要由CSDN通过智能技术生成

作者：知乎—Curry

地址：https://www.zhihu.com/people/curry-5-28

一：白话GAN

本文尽量用少量的公式，浅显的语言来描述生成对抗网络，让未接触过GAN的人可以有个初步的认识，并且从理论和实现的角度初步分析了GAN网络来解决小样本问题的可能性，欢迎各位补充交流。

生成对抗网络Generative adversarial network, GAN，在14年被Goodfellow等提出后即热度不断，基于GAN的新模型论文更是层数不穷，有人将能叫得出名字的GAN模型都整理在了github上the-gan-zoo，比如常见的ACGAN、BiGAN、BEGAN、f-GANs、DCGAN、INFOGAN、SNGAN、WGAN等等。但由于模型数量众多，缩写的几乎都被占用了，导致新的GAN模型名字采用希腊字母命名，比如：α-GAN、β-GAN、Δ-GAN等等，足见GAN领域的火热。在今年CVPR2020 已经发现的GAN论文就已经接近50篇，可以看出GAN依旧是AI界的宠儿。

1)首先理解什么是生成对抗网络GAN？

生成对抗网络中的生成表示生成模型，这里表示给定一组随机数，根据随机数来生成服从训练数据分布的数据；对抗表示GAN中的生成器(Generator)和判别器(Discriminator)来往的博弈，最终达到纳什平衡；网络顾名思义指神经网络，这里的生成器和判别器都是利用神经网络来实现功能的。

纳什平衡(Nash equilibrium)，又称为非合作博弈均衡，是博弈论的一个重要术语。
同样是生成模型，GAN与传统的概率生成模型马尔可夫随机场、贝叶斯网络等有何不同？答：传统概率生成模型要定义一个概率分布表达式P(X)，通常是多变量联合密度分布函数，并基于此做最大似然估计，中间过程涉及到计算大量条件概率、边缘概率计算等，当变量数量增加，计算难度也随之增加；而GAN在描述概率生成模型时，并不对概率密度函数P(X)直接建模，而通过制造样本X来间接体现分布P(X)。注：此处部分描述来自《百面机器学习》

2)其次明白生成对抗网络GAN能做什么？