- 博客(3)
- 收藏
- 关注
RSS订阅原创 WGAN-GP解读分析
WGAN-GP（Wasserstein GAN with gradient penalty）相比GAN（Generative Adversarial Network）有以下几个优点：更好的损失函数：WGAN-GP使用了Wasserstein距离来度量生成器和判别器之间的距离，相比于GAN中使用的交叉熵损失函数，Wasserstein距离更加稳定，可以避免GAN中出现的训练不稳定和模式崩溃等问题。
2023-03-27 23:52:13
5318
2
原创 生成对抗网络GAN论文解读及原理分析
作者提出了一个通过对抗性过程估计生成模型的新框架，在该框架中，将同时训练两个模型：生成模型G：捕捉数据分布。在统计学中，确定数据的分布就可以生成数据。判别模型D：估计一个样本的概率。分辨这个样本是来自训练数据，还是来自于G生成的。对于G的训练过程是最大化D犯错的概率。这个框架对应于一个极小极大的两人博弈。这在GAN的目标函数中可以明确体现，D会希望这个目标函数越大越好，G则希望该目标函数越来越小。G和D的对抗就体现在这个目标函数中。
2023-03-24 16:09:25
1402
原创 BP神经网络原理
BP神经网络（Back Propagation Neural Network）是一种基于误差反向传播算法（Back Propagation Algorithm）的人工神经网络，也是应用最广泛的神经网络之一。它可以用来解决分类、回归、模式识别、数据挖掘等多种问题。BP神经网络由输入层、隐层和输出层组成，其中隐层可以包含多个神经元，用于处理输入数据的非线性映射关系。BP神经网络的训练过程包括前向传播和反向传播两个步骤。BP神经网络的优点是可以处理非线性问题，并且具有较高的精度和可扩展性。
2023-03-21 19:07:52
18200
4
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人