学习笔记:生成对抗网络GANs原文的理解

本文深入解析生成对抗网络(GANs)的基本原理,包括如何通过对抗训练来模拟真实数据分布,以及生成器和判别器在网络中的角色。文章探讨了GANs的损失函数、训练过程及形象化的理解,并指出GANs在实际应用中面临的问题,如训练不稳定性、生成图像单一等。最后,提到了相关改进方法和未来研究方向。
摘要由CSDN通过智能技术生成

我研究GANs大概有一年时间了,稍后会把自己做的多篇论文笔记逐一发布出来,互相讨论。

参考Goodfellow的论文,论文链接:https://arxiv.org/abs/1406.2661

1.核心内容:
        提出通过一种对抗的方式训练生成模型,论证存在一个解使得生成模型可以很好地模拟真实数据分布。(生成模型的本质是生成与真实数据近似的数据)

2.对抗是如何实现的:

        首先定义两个网络(可以是多层感知机),取名为生成器G和判别器DG的目的是尽量模拟真实数据分布,D的目的是尽量区分数据是来自于真实数据还是生成数据。其实在我看来,D的角色就像是一个二分类器,Dloss function是最大化分类正确率,不同的是Gloss function是尽量使来自于生成器的数据被D 误判。这体现了对抗的思想。

  • 1
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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