深度学习(15): GAN(2)

本文深入探讨了生成对抗网络(GAN)的理论基础,包括极大似然估计与KL散度的关系,以及生成器和判别器的工作原理。接着,介绍了fGAN作为GAN的一般框架,并分析了JS散度可能导致的模型塌缩和模式丢失问题。此外,文章还提供了改善GAN性能的建议,如使用LSGAN和WGAN,重点讨论了Wasserstein距离及其优化策略,如权重裁剪和谱范数约束。
摘要由CSDN通过智能技术生成

1、Theory behind GAN

在这里插入图片描述

极大似然估计可以定义函数的参数

使定义的distribution通过调参与真实的分布越接近越好
从pdata中sample一些东西
计算每个样本的likelihood
计算联合概率为似然函数
通过似然函数或对数似然函数对参数求偏导,找到对应最大值的参数

在这里插入图片描述

极大似然估计=极小KL散度

在这里插入图片描述
problem:
在这里插入图片描述
如果只是GMM,那会有很多限制
把它作为一个general的PG,但很难计算它的likelihood

generator

生成器是个网络,网络定义了一个概率分布函数 p g p_g pg
将一个高斯分布中的若干样本点输入生成器,每个样本点都会生成一个结果,所有的结果集合成一个非常复杂的分布

在这里插入图片描述
使 p g 和 p d a t a p_g和p_data pgpdata之间的分布的divergence越接近越好

problem:在这里插入图片描述

Discriminator

我们虽然不知道它的distributions是什么样的,但是可以从两个分布分别sample出data
在这里插入图片描述
p g 和 p d a t a p_g和p_{data} p

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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