生成式对抗网络generative adversarial nets
来源:互联网 发布:linux rpm和yum 编辑:程序博客网 时间:2024/05/17 20:33
GAN模型采用了两个独立的神经网络结构:生成器“generator”和判别器“discriminatory”,核心的idea是生成器生成对抗样本,让判别器来辨真伪,当生成器生成的对抗样本越趋近于真实分布,判别器越几乎无法分辨真假的时候,此时效果最佳。论文中举了一个很好的例子,生成器是造假团伙,判别器是侦探,当造假团伙的水平很高,造出几乎真实的货币,这时候侦探几乎无法判别到底是真是假的时候,这时候生成的样本最优。
“In the space of arbitrary functions G and D, a unique solution exists, with G recovering the training data distribution and D equal to 1/2 everywhere”为什么这里判别器的概率会最终等于1/2呢?我想到模糊集理论一种很好的解释方法,回想一下信息熵的定义:
信息熵是衡量随机变量取值的不确定性的度量,熵值越大,不确定性就越高。举个例子来说,比如抛硬币,A情况:如果硬币正反两面质地不均匀,正面质地高于反面,假设正面向上概率0.8, 反面向上0.2;B情况:硬币质地均匀,正反都是0.5,此时,A情况的确定性要比B情况的确定性高,因为A情况正反概率不平等,我们能有80%的把握A硬币正面向上,GAN中如果判别器能有80%的把握能鉴别真伪,那么能够说明此时的生成器的造假水平不够,水平有待提高。B情况实际上是不确定性最高的,因为正反概率都是 0.5,你能说到底是正还是反嘛?!只能随机猜想,此时的情况是最模糊的,这就是GAN最终目标,造假出“真”币让侦探无法鉴别,好像是真,亦好像是假,最模糊的时候最优,此时概率为1/2。
插播一下在probability inference 中的生成模型和判别模型:
1,判别模型,更像是二分类问题。直接学习决策函数Y=f(x)或条件概率分布p(Ylx)作为预测模型,直接在样本数据中生成预测模型,比如像K邻近,SVM,决策树(if-then);
2,生成模型,学习目标特征,与搜索目标进行模型匹配。由样本数据中学习联合概率密度分布p(x,y),定义先验概率p(y),用贝叶斯公式求p(Ylx)作为预测结果。
GAN旨在最小最大化两层博弈,这里有两层意义:训练判别模型,最大化能够分类正确概率(最大化鉴别真伪能力);训练生成模型,最小化差异概率(生成与真实样本最接近的伪样本),D(x)是最大化概率,1-D(x)就是最小化啦~
参考资源链接:
[1]GAN论文:https://arxiv.org/abs/1406.2661
[2]博客1:http://blog.csdn.net/luoyun614/article/details/52202348
[3]博客2:http://blog.csdn.net/diligent_321/article/details/55224631
[4]知乎:https://zhuanlan.zhihu.com/p/25201511
[5]GAN presentation: https://pan.baidu.com/s/1mikKxrM
[6]VALSE 2017大会 GAN研究年度进展评述:
http://mac.xmu.edu.cn/valse2017/programs.html
- Generative Adversarial Nets 生成式对抗网络
- 生成式对抗网络generative adversarial nets
- 生成对抗网络Generative Adversarial Nets资料
- 生成式对抗网络(Generative Adversarial Nets)
- 与判别网络对抗的生成网络 (Generative Adversarial Nets)
- 【深度学习】生成对抗网络Generative Adversarial Nets
- 生成对抗网络学习笔记1----论文Generative Adversarial Nets
- 生成对抗网络Generative Adversarial Nets(译)
- 深度学习笔记一:生成对抗网络(Generative Adversarial Nets)
- 浅析生成对抗网络(GAN)—— Generative Adversarial Nets
- 生成对抗网络学习笔记2----GANs(Generative Adversarial Nets)总结
- 学习笔记:生成对抗网络(Generative Adversarial Nets)(附代码)
- 生成对抗网络学习笔记4----GAN(Generative Adversarial Nets)的实现
- [生成对抗网络] 论文研读-SeqGAN: Sequence Generative Adversarial Nets with Policy Gradient
- 生成对抗网络学习笔记4----GAN(Generative Adversarial Nets)的实现
- 生成式对抗网络Generative Adversarial Networks(GANs)
- 生成式对抗网络(Generative Adversarial Networks,GAN)
- 对抗生成网络(Generative Adversarial Net)
- HttpClient(4.5) post get https 实例
- Qt实例中analogclock详解
- 支付宝支付(网站支付,APP支付,扫码支付) Java服务端代码
- sysctl 系统配置
- 二分图+染色 poj 2492
- 生成式对抗网络generative adversarial nets
- Hadoop MapReduce处理海量小文件:基于CombineFileInputFormat
- Oceanbase列传
- python 多进程
- WUST 1888 乘积最大(dp)
- 南阳OJ之语言入门 题目39
- C# DataGridView控件
- Linux查看Cpu的核数,物理数,逻辑cpu数量
- shell脚本:小数运算(NS2:get_perform)