这篇博文主要是介绍GAN(Generative Adversarial Network)。
文章目录
Generation
为什么输出有时候需要是一个分布
The same input has different outputs.
algorithm
train generator
⇔
\Leftrightarrow
⇔ train discriminator
Theory behind GAN
Divergence是如何计算的呢
Tips for training
Generator and Discriminator needs to match each other.
拿GAN来生成文字是比较麻烦的:
这里不能用gradient descent的情况下,可以尝试reinforcement learning(RL)
过去没办法用GAN来产生文字,现在OK的
Evaluation of Generation
Generator的评估方法:
- Quality of Image
- Diversity-Mode Collapse
到后面的时候,Generator产生的image总是差不太多
- Diversity-Mode Dropping
生成样本只集中于某一群。
Conditional Generation
现在Generator不仅要生成realistic images,而且还要与输入的text(condition)相匹配。
Learning from Unpaired Data
其他风格转换的GAN
StarGan可以在多种风格之间做转换