0%

最简单易懂的GAN（生成对抗网络）

发表于 更新于 分类于 阅读次数：
本文字数： 822 阅读时长 ≈ 1 分钟

2018年10月4日 上午10:09

2018年10月4日 下午8:26
最简单易懂的GAN（生成对抗网络）教程：从理论到实践（附代码） | 雷锋网

2019年4月21日 下午8:55
新的理解：

  1. 生成网络的训练其实是对生成-判别网络串接的训练
    1. 为什么要将生成的假样本的标签都设置为1？
      1. 这样才能起到迷惑判别器的目的，让判别器的输入和输出有误差
      2. 如果，判别器真的全预测对的，那么生成器连误差都没了，还怎么接着训练
    2. 这时候的判别器参数是不变的
    3. 这时候，判别器其实可以理解成是生成模型的一个loss function
  1. 讲解了GAN的训练过程-生成网络-文字描述
    1. 在生成网络的时候：我们要把这些假样本的标签都设置为1，也就是认为这些假样本在生成网络训练的时候是真样本
    2. 并且，只有一类样本进行训练，只要这一类样本有误差就行，也就是说，虽然我们全都把这些假样本标记为1，但是通过判别网络，最后的结果一定是有0有1的，这就是误差的意思。
    3. 并且，在训练生成网络的时候，我们需要判别网络串联进行使用，但需要保证的判别网络的参数不会发生变化。
    4. 生成网络的初始随机参数，在训练完一次之后，需要重新进行随机吗？
      1. 我现在认为是不需要的
  2. 机器学习与机器学习的不同。
    1. 机器学习：说白了其实也好像是你事先知道让数据该怎么映射一样，只是核映射的参数可以学习罢了。所有的这些方法都在直接或者间接的告诉数据你该怎么映射一样，只是不同的映射方法能力不一样。
    2. GAN强大之处：在于可以自动的学习原始真实样本集的数据分布，不管这个分布多么的复杂，只要训练的足够好就可以学出来
  3. GAN数学模型的描述
    1. 文字描述和数学模型的描述，他们本质上是相同的。我们可以理解他们为同一个问题的不同角度的描述
    2. 不同的角度，需要进行不同的侧重点和妥协。
      1. 数学模型：是把问题定义为一个最大最小的问题，从这个角度，再去理解这个模型，最终写成一个式子。
      2. 文字描述：目的是描述训练的过程
      3. 数学模型的目的：将当前的问题向当前已知的数学模型靠拢，本质是一种归类，归类到某种数学模型。