文章目录
-
- 我们的目标:让生成的分布Pg = Pdata
-
- 怎么计算两个分布的差异?(只需要采样足够,剩下的交给Discriminator,详细证明参考14年作者论文)
- 进行替换,求得最终目标函数
- 想要什么分布,就设计 不同的优化函数,详见这篇文章
- GAN难train,GAN的训练小技巧
-
- 难训练的原因:Pg和Pdata的分布不重叠
-
- 不重叠JS分布的值总是等于log2,难以判断生成器是否在训练好
- 换种方式衡量 两个分布 的差异?
- 眼睛的进化史
- 计算Wassersteion distance对于Generator来说(直接给出了,而且D(Discriminator) 要足够平滑)
-
- 怎么确保D是平滑的?(Spectral Normalization)
我们的目标:让生成的分布Pg = Pdata
怎么计算两个分布的差异?(只需要采样足够,剩下的交给Discriminator,详细证明参考14年作者论文)
进行替换,求得最终目标函数
想要什么分布,就设计 不同的优化函数,详见这篇文章
GAN难train,GAN的训练小技巧
难训练的原因:Pg和Pdata的分布不重叠
不重叠JS分布的值总是等于log2,难以判断生成器是否在训练好
换种方式衡量 两个分布 的差异?
穷举所有铲土的方式 才能计算 Wasserstein distance
假设 能计算W,Discriminator就能工作
眼睛的进化史
计算Wassersteion distance对于Generator来说(直接给出了,而且D(Discriminator) 要足够平滑)
怎么确保D是平滑的?(Spectral Normalization)