机器学习:GAN Framwork

fGAN: General Framework of GAN

机器学习:GAN Framwork_第1张图片

p与q相等时候,divergence为0,当不相等的时候,一定是大于等于0

机器学习:GAN Framwork_第2张图片
不同的计算公式,

机器学习:GAN Framwork_第3张图片

每个时间t都去算一下,取最大的值。

机器学习:GAN Framwork_第4张图片

给定一个t,找最大的那个值,把所有直线画出来,找最大点, 这样获得的曲线一定是凸函数的曲线

机器学习:GAN Framwork_第5张图片
机器学习:GAN Framwork_第6张图片

Connection with GAN

机器学习:GAN Framwork_第7张图片
D解方程找使得最大的情况。
机器学习:GAN Framwork_第8张图片
机器学习:GAN Framwork_第9张图片

同一张人脸不断出现,生成的分布越来越集中,这种叫Model collapse
机器学习:GAN Framwork_第10张图片
每次只能产生一种肤色的人,这叫做model dropping, 有可能是divergence选的不好。
机器学习:GAN Framwork_第11张图片
机器学习:GAN Framwork_第12张图片
避免这种问题,可以训练多个generator, 每次生成时候,从中选一个genenrator,这样就能获得多样性。

Tips for improving GAN

机器学习:GAN Framwork_第13张图片
机器学习:GAN Framwork_第14张图片

问题是生成的分布与真实分布是不重叠的,导致学习到的东西跟目标不一定一致。
机器学习:GAN Framwork_第15张图片

两个分布没有重合,算出来的loss都一样,无法区分谁好坏,机器不知道往哪个方向学习。

LSGAN

机器学习:GAN Framwork_第16张图片

不要train得太好,不要太大也不要太小,每十次看一下输出结果好不好。这里LSGAN解决办法是通过将sigmoid替换成regression方式解决,如果是postive example越接近1越好,negative example越接近0越好。

WGAN

机器学习:GAN Framwork_第17张图片

想象自己是开推土机,需要将p推到q,这走的距离就叫做earth mover’s distance

机器学习:GAN Framwork_第18张图片
穷举出所有的方案,从中选出平均距离最少的方案
机器学习:GAN Framwork_第19张图片
机器学习:GAN Framwork_第20张图片
机器学习:GAN Framwork_第21张图片

穷举所有的伽马,找到最小的情况。
机器学习:GAN Framwork_第22张图片
而wgan能够正确知道二者的差距
机器学习:GAN Framwork_第23张图片
机器学习:GAN Framwork_第24张图片
generator要足够平滑,不然及时很近,但是二者的竖轴方向距离很远,所以要有一定的限制。
机器学习:GAN Framwork_第25张图片
如何解这个限制方程呢?用反向传播,但是有一个weight clipping限制,在output的时候是比较平滑的。
机器学习:GAN Framwork_第26张图片

Improve WGAN

机器学习:GAN Framwork_第27张图片

机器学习:GAN Framwork_第28张图片

左右分表sample一个点,然后从二者的连线中间sample一个点,就是 p p e n a l t y p_{penalty} ppenalty,
机器学习:GAN Framwork_第29张图片

Spectrum Norm

机器学习:GAN Framwork_第30张图片
机器学习:GAN Framwork_第31张图片

EBGAN

机器学习:GAN Framwork_第32张图片

生成器,译码器后reconstruct越好,说明生成的越好。
机器学习:GAN Framwork_第33张图片

让real的分数很低,但也不能让假的非常大,需要设置一个margin
机器学习:GAN Framwork_第34张图片

你可能感兴趣的:(机器学习,机器学习,生成对抗网络,人工智能)