GAN李宏毅(1)

目录

GAN的种种变形的收集

课程内容

1基本概念

1.1核心问题

1.2算法

1.3结果——遍历的创造力

2GAN 是一种结构学习

2.1分类、回归、结构学习

2.2 结构学习的难度

2.3传统解决这个问题的方法

 3generator自己学会怎么样

3.1用encode-decode网络的decode代作为生成器

3.2这种方式的问题

3.3VAE解决这个问题

3.4仍然没有考虑的问题

4discriminator自己学会怎么样

4.1这些函数都可以作为判别器

4.2判别器本身就很容易得到总体的结构信息,因为是把高维的变成低维的

4.3判别器生成的方式是穷举

4.3.1找负样本是很难的——生成器

4.4判别就是用结构化的眼光在找生成器的弱点

5 判别器生成起的优缺点

5.1生成器就是在解这个arg max问题



GAN的种种变形的收集

GAN李宏毅(1)_第1张图片

课程内容

GAN李宏毅(1)_第2张图片

1基本概念

GAN李宏毅(1)_第3张图片

1.1核心问题

GAN李宏毅(1)_第4张图片

1.2算法

GAN李宏毅(1)_第5张图片

GAN李宏毅(1)_第6张图片

GAN李宏毅(1)_第7张图片

1.3结果——遍历的创造力

GAN李宏毅(1)_第8张图片

2GAN 是一种结构学习

2.1分类、回归、结构学习

GAN李宏毅(1)_第9张图片

GAN李宏毅(1)_第10张图片

GAN李宏毅(1)_第11张图片

2.2 结构学习的难度

 GAN李宏毅(1)_第12张图片

2.3传统解决这个问题的方法

GAN李宏毅(1)_第13张图片

 3generator自己学会怎么样

GAN李宏毅(1)_第14张图片

3.1用encode-decode网络的decode代作为生成器

GAN李宏毅(1)_第15张图片

GAN李宏毅(1)_第16张图片

GAN李宏毅(1)_第17张图片

GAN李宏毅(1)_第18张图片

3.2这种方式的问题

在随机数的连续性上有问题

GAN李宏毅(1)_第19张图片

3.3VAE解决这个问题

编解码的中间加了噪音,decode更加稳定

这里的sigema对结果是有干扰的,不过我们不能让它太小

GAN李宏毅(1)_第20张图片

3.4仍然没有考虑的问题

高维度的图像的分布是低维的,所以可以降维度。

什么叫做越像越好——逐像素比较不够

GAN李宏毅(1)_第21张图片

GAN李宏毅(1)_第22张图片

网络架构中很难融入部件之间的关系,输出层很难互相配合,只能多加层

用编解码网络需要更多的层来得到与GAN类似的结果

GAN李宏毅(1)_第23张图片

生成器生成的蓝色的点效果之所以不好,是因为难学到x1x2的关系

GAN李宏毅(1)_第24张图片

4discriminator自己学会怎么样

4.1这些函数都可以作为判别器

GAN李宏毅(1)_第25张图片

4.2判别器本身就很容易得到总体的结构信息,因为是把高维的变成低维的

生成时是逐像素生成的难以判别逐像素的信息,而判别器是从上向下的,容易获取结构信息

GAN李宏毅(1)_第26张图片

4.3判别器生成的方式是穷举

GAN李宏毅(1)_第27张图片

GAN李宏毅(1)_第28张图片

4.3.1找负样本是很难的——生成器

GAN李宏毅(1)_第29张图片

4.4判别就是用结构化的眼光在找生成器的弱点

GAN李宏毅(1)_第30张图片

5 判别器生成起的优缺点

GAN李宏毅(1)_第31张图片

5.1生成器就是在解这个arg max问题

GAN李宏毅(1)_第32张图片

GAN李宏毅(1)_第33张图片

GAN李宏毅(1)_第34张图片

你可能感兴趣的:(GAN)