GAN基础理论

目录

什么是GAN

GAN的问题

WGAN

什么是GAN

GAN全称Generative Adversarial Network

如何解决:

a.从方法论的角度解释

Generator(生成器)和Discriminator(判别器):对抗式学习(博弈论)

Discriminator:判断输入图像是否为真实图像和虚假图像

Generator:生成图像去欺骗判别器

直观感受:当G&D达到平衡时可以获得最佳效果

b.结构角度解释

GAN基础理论_第1张图片

 特别说明:生成器输入的是随机噪声,输出是真实场景图像

c.从数学公式角度

1.value function价值函数

不同于损失函数,该函数来自强化学习中的概念,强化学习是让智能体在不同的状态环境下,学会选择那个使得奖赏最大的动作

2.\max\limits_{D}:我们需要找到一个D(判别器),使得价值函数V达到最大

    我们希望判别器能够区分出真图和假图,既D(x)->1,D(G(x))->0,整个价值函数会趋于一个最大值

3.\min\limits_{G}:我们需要找到一个G(生成器),使得价值函数V达到最小

   我们希望G生产的图像可以愚弄D,既D(G(x))->1,整个代价函数会趋于负无穷这样一个极小值

6.x\sim _{P_{data}}(x):x符合真实图像的分布

7.z\sim _{P_{z}}(z):z符合随机噪声的分布

8.

GAN基础理论_第2张图片

下面证明,当p_{g}=p_{data},该优化问题达到最优解在数据给定

在数据给定,G给定的前提下Pdata(x)与 PG(x)都可以看作是常数,我们可以分别用 a,b来表示他们,这样我们就可以得到如下式子

GAN基础理论_第3张图片

 由此我们得到最优判别器

D^{*}=\frac{p_{data}(x)}{p_{data}(x)+p_{g}(x)}

将最优判别器代入到原式后

GAN基础理论_第4张图片 

JSD指JS散度,用于评估两个概率分布之间的相似程度,值为0时表示两个概率分布完全相同 

GAN基础理论_第5张图片

 训练方式

GAN基础理论_第6张图片

GAN的问题

难以训练

生成图像单一,质量差(模式崩溃)

模型训练不稳定

你可能感兴趣的:(人工智能,深度学习,人工智能)