P58 生成式对抗网络(GAN)

Generator

network as generator
x 和 z 同时作为 network的输入
z服从一定的简单分布
生成复杂分布的y
P58 生成式对抗网络(GAN)_第1张图片

为什么要训练 generator , 为什么输出是要一个分布?

P58 生成式对抗网络(GAN)_第2张图片
为了适应一些具有创造性的任务 ,答案有多种可能。比如打游戏可能向左。可能向右。 加入一个随机分布的输入,比如 0-1 分布,当随机输入为0时,左转,随机输入为1时,右转。

Unconditional generation

没有x , 输入只有z
随机分布不同的z, 会产生不同的output

P58 生成式对抗网络(GAN)_第3张图片

Discrimator

输出一个scaler , 判别输出的图片与真实的二次元图像的相似度
P58 生成式对抗网络(GAN)_第4张图片
P58 生成式对抗网络(GAN)_第5张图片
generator 和 discriminator 交替互相更新进化。 直到discriminator 判断输出与真实的一致
P58 生成式对抗网络(GAN)_第6张图片
固定G 更新D, 固定D ,更新G … …
P58 生成式对抗网络(GAN)_第7张图片
P58 生成式对抗网络(GAN)_第8张图片
目标是使得discriminator 的分数越高越好,可以使用梯度上升法
P58 生成式对抗网络(GAN)_第9张图片
P58 生成式对抗网络(GAN)_第10张图片
(厉害,模型生成的二次元图像)

P58 生成式对抗网络(GAN)_第11张图片
(未完待续)

你可能感兴趣的:(李宏毅机器学习课程学习笔记,生成对抗网络,人工智能,神经网络)