摘要:
这节课主要学习了GAN背后的理论知识,主要是原理和数学推导。
由于GAN是两部分组成的,这节课学习也是分为生成器生成图片的原理与判别器的原理。
对生成器而言,想要生成符合要求目标,需要在高维空间中选取出样本的分布情况。将选取的样本通过生成器,得到Pg。希望Pg与目标样本Pdata尽可能接近,这个过程其实就是求这两个分布的KL散度。
对于判别器而言,虽然不知道两个分布的具体公式,但是通过分别sample出两个数据集,对其进行分数评估,得到目标函数。
之后将判别器与生成器的目标函数联系起来,就是GAN的目标函数。
对于整体的目标函数,理论方法进行了一些假设,与实际情况还略有不同。
目录
Theory behind GAN
一、GAN背后的理论
对抗网络GAN是由生成器Generator最终生成图片、文本等结构化数据。
生成器能生成结构化数据的原理是什么呢?
假设今天的任务是生成固定的图片,实际上我们是在一个已知的image space中,选出分布Pdata(x),在这个分布中的图片都是符合我们选取要求的。
二、极大似然估计
在GAN之前,我们采取极大似然估计的方法,去找到这个分布Pdata(x)
极大似然估计的做法:
1.我们首先有目标数据的概率密度函数Pdata(x)
我们只能从Pdata(x)中sample。
2.我们设定