当data和Generetor的分布没有重合,算出来的divergence都会是log2,loss都是一样
无法训练
1 LSGAN
把sigmoid换成线性的
2 Wasserstein GAN
用Earth Mover’s Distance来定义data和Generetor分布的距离
穷举所有铲土的计划,取铲土距离最小的那个
从轴坐标搬土到横轴,越亮越多:
2021-12-24 GAN的一些优化技巧
最新推荐文章于 2024-04-07 01:57:48 发布
本文探讨了在深度学习中,当data分布与Generator分布不重合时导致的训练难题。LSGAN尝试通过线性激活解决,而Wasserstein GAN则利用Earth Mover's Distance来量化两者间的距离。这两种方法旨在改善分布匹配,从而优化模型的训练效果。
摘要由CSDN通过智能技术生成