生成式对抗网络

最新推荐文章于 2024-09-10 10:58:55 发布
最新推荐文章于 2024-09-10 10:58:55 发布
阅读量595 收藏
点赞数
文章标签： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wkywcd/article/details/119976650
版权
本文深入探讨了生成式对抗网络（GAN），包括其作为生成器的网络结构，基本思想，理论细节如Divergence计算和Discriminator训练，以及Wasserstein距离在解决GAN训练中的作用。此外，还讨论了GAN在未标注数据学习和文本意思转换中的应用，以及与其他生成模型如PixelRNN、VAE和Flow-based Model的比较。
摘要由CSDN通过智能技术生成

目录

一、Network as Generator

在这里插入图片描述

  • 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?

在这里插入图片描述

  • 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
    在这里插入图片描述
  • 当任务需要创造力时，需要用distribution，举例：
    在这里插入图片描述

二、Generative Adversarial Network（GAN）

1、Unconditional generation

以生成二次元人物的脸为例
在这里插入图片描述

  • 二次元人物的脸就是一个非常高维的向量

（1）Discriminator辨识器

在这里插入图片描述

  • Discriminator中的神经网络可以选择CNN、Transformer

(2)Basic Idea of GAN

在这里插入图片描述
在这里插入图片描述

  • 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
    在这里插入图片描述
  • 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
    在这里插入图片描述
  • 反复训练G和D
    在这里插入图片描述

三、GAN的理论

在这里插入图片描述

1、Divergence怎么计算

最低0.47元/天 解锁文章
wkywcd
关注
生成式对抗网络（Generative Adversarial Nets，GAN）
AlisaZqq
03-17 1658
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Ma...
生成式对抗网络（GAN）
凌逆战的博客
09-26 3908

  　　生成对抗网络（GAN），是深度学习模型之一，2014年lan Goodfellow的开篇之作Generative Adversarial Network，
 GAN概述
 　　GAN包括两个模型，一个是生成模型（generative model），一个是判别模型（discriminative model）。生成模型要做的事情就是生成看起来真的...
生成对抗网络（Generative Adversarial Network，简称 GAN）
面向命运编程
09-09 1342
生成对抗网络（Generative Adversarial Network，简称）是由Ian Goodfellow等人于2014年提出的一种深度学习模型架构，广泛用于图像生成、文本生成等生成任务。GAN由两个相互对抗的神经网络组成：生成器（Generator）和判别器（Discriminator），它们彼此博弈，共同提高生成数据的质量。
Gan（生成式对抗网络）
This is bill的专属博客
04-18 1186
生成式对抗网络（GAN, Generative Adversarial Networks ）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中（至少）两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。原始 GAN 理论中，并不要求 G 和 D 都是神经网络，只需要是能拟合相应生...
什么是生成式对抗网络
荒野雄兵的专栏
05-05 2103
文章目录 生成式对抗网络(GAN)是一种深度学习模型,是近年来复杂分布上无监督学习最具前景的方法之一. 模型通过框架中(至少)两个模型:生成模型(Generative Model)和差别模型(Discriminative Model)的互相博弈学习产生相当好的输出. 原始GAN理论中,并不要求G和D都是神经网络,只需要是能拟合相应生成和差别的函数即可.但是实用中一般均使用深度神经网络作为G和D.捕...
生成式对抗网络（GAN
qq_55552561的博客
12-12 1269
GAN包含有两个模型，一个是生成模型，一个是判别模型。生成模型的任务是生成看起来自然真实的、和原始数据相似的实例。判别模型的任务是判断给定的实例看起来是自然真实的还是人为伪造的（真实实例来源于数据集，伪造实例来源于生成模型）。·结合整体模型图示，再以生成图片作为例子具体说明下面。我们有两个网络，G（Generator）和D（Discriminator）。·Generator是一个生成图片的网络，它接收一个随机的噪声z，通过这个噪声生成图片，记做G(z)。
生成式对抗网络GAN的研究进展与展望_王坤峰.pdf
11-24
生成式对抗网络（Generative Adversarial Networks, GAN）是一种深度学习模型，它基于博弈论中的二人零和游戏概念，由两个神经网络组件——生成器（Generator）和判别器（Discriminator）组成。生成器的目标是创建与...
生成式对抗网络GAN综述
11-05
生成式对抗网络（Generative Adversarial Networks，简称GANs）是深度学习领域的一个重要分支，由Ian Goodfellow在2014年提出。GANs的核心思想是通过两个神经网络——生成器（Generator）和判别器（Discriminator）...
生成式对抗网络的通信网络安全技术分析.pdf
09-19
生成式对抗网络（GAN）是一种深度学习框架，由两个神经网络——生成器（Generator）和判别器（Discriminator）构成，它们在训练过程中相互竞争，以达到提升性能的目的。在网络安全领域，GAN技术被用于生成模拟攻击...
DGANS：基于双重生成式对抗网络的稳健图像隐写模型
01-13
双重生成式对抗网络（DGANS）模型对深度学习框架应用于图像隐写时，针对小幅度几何变换攻击进行了优化设计，从而提高模型的稳健性。DGANS由2个串联的生成式对抗网络构成，可将灰度图像隐藏到相同大小的彩色或灰度...
生成式对抗网络（Generative Adversarial Networks, GANs）
coffee_cream的博客
10-14 1972
1 GANs 的结构 生成式对抗网络 GANs 包括两个部分： 生成器（Generator） ：用于生成“假”样本。生成器从先验分布中采得随机信号，经过神经网络的变换，得到模拟样本。 判别器（Discriminator） ：用于判断输入的样本是真实的还是合成的。判别器既接收来自实际数据集的真实样本，也接收来自生成器的模拟样本，判别器需要判断输入的样本是真实数据还是生成器的模拟（假）数据。 从上面可以看出，生成器和判别器是对抗的关系，生成器要尽可能生成出让判别器失败的样本，而判别器要尽可能识别出生成器的假
生成式对抗网络 GAN
BeforeEasy的博客
12-23 394
看了几篇博文，简单记录一下GAN网络（generative adversarial nets 生成式对抗网络） 定义 GAN网络起源于博弈理论，博弈的双方分别是生成式模型（G）和判别式模型（D） 生成式模型的输入是一组服从某一分布的噪声，生成一个类似真实训练数据的样本； 判别式模型的输入就是生成式模型的输出，判别式模型的目的是判断这个生成的样本是不是来自于训练数据（概率）； 有点类似于G...
生成对抗网络
Dynomite的博客
09-03 993
生成对抗网络 GAN 模型 GAN由生成器与判别器组成，需要同时训练两者，生成器通过噪音变量生成伪造的图片数据，而判别器对于输入图片来源于数据集还是伪造的图片要进行区分，生称器要尽可能的欺骗判别器（使判别器分辨不出图片的来源），而判别器要尽可能的判别出图片的来源，这是一个两方博弈的问题 为了学习生成器对于数据的分布pgpgp_g，定义输入噪声先验变量pz(z)pz(z)p_z(z)，生成器记...
GAN生成式对抗网络
最新发布
qq_44935334的博客
09-10 471
生成式任务（生成、重建、超分辨率、风格迁移、补全、上采样等）
生成式对抗网络GAN
qq_46439619的博客
01-28 222
判别式模型和生成是模型的区别： 假设研究对象为变量为x,类别变量为y,则： 判别式模型： 按照一定的判别准则，从数据中直接学习决策函数y=f(x)或者条件概率分布p(y|x;a)作为预测的模型 典型的判别模型包括：k近邻法，决策树，最大熵模型，支持向量机等 只是对给定的样本进行分类，不关心数据如何生成。 生成式模型： 从数据中学习联合概率分布p(x,y),其之后可以转变为p(y|x)作为预测模型，例如利用条件概率分布p(y|x)=p(x,y)/p(x) 根据生成假设，哪个类别最有可能生成这个样本 生成对抗网
掌握八种GAN框架：Tensorflow生成式对抗网络代码库
资源摘要信息:"八种最常用的GAN生成式对抗网络代码框架" GAN（生成式对抗网络）是一种深度学习模型，由生成器（Generator）和判别器（Discriminator）组成，通过对抗的方式进行训练，生成器生成数据，判别器判断...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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