目录
一、Network as Generator
- 对z有个限制,必须够简单,能够sample
- 输出是一个分布
1、为什么要distribution?
- 如果没有distribution这个机器可能输出turn right 也有可能输出turn left,或者同时向左向右转
- 处理这个问题就是让机器输出是有机率的
- 当任务需要创造力时,需要用distribution,举例:
二、Generative Adversarial Network(GAN)
1、Unconditional generation
以生成二次元人物的脸为例
- 二次元人物的脸就是一个非常高维的向量
(1)Discriminator辨识器
- Discriminator中的神经网络可以选择CNN、Transformer
(2)Basic Idea of GAN
- Generator和Discriminator是一起不断进化的,Generator产生图片,Discriminator进行辨别,从而产生越来越接近真实的图片,所以叫生成对抗网络
(3)Generator VS Discriminator
- 第一步:初始化G和D,先固定G,更新D。因为现在G中的参数是随机初始的,所以生成的图片很乱,根据真正的二次元人物头像和产生的二次元人物头像去训练D,目的是为了发现真正图片和生成图片的差异,可以当作分类问题也可以是回归问题
- 第二步:固定D,更新G。G训练目标是使D产生的分数更高,即更加接近真实图片。将G的网络和D的网络直接连起来,只调整G的参数
- 反复训练G和D