简单理解GAN

GAN -----Generative Adversarial Nets(生成对抗网络),包含两个部分:

  • 生成器
  • 辨别器

简单例子:

      训练生成器生成数据,数据要求Mean=4,STD=1.5的高斯分布。

首先数据准备:

生成数据代码如下:

def sample_data(size,length=10):
    data=[]
    for i in range(size):
        data.append(sorted(np.random.normal(4,1.5,length)))  # sorted 是为了训练相对平滑
    return np.array(data)

生成噪声数据:

def random_data(size,length=10):
    data=[]
    for i in range(size):
        data.append(np.random.random(length))
    return np.array(data)

GAN生成结构:

确定生成器和辨别器结构,假设使用最简单的全连接网络结构。判别器用于区分真实的高斯分布和生成器生成的假的高斯分布。

可以视为二分类问题,假设采用交叉熵损失:

分类正确交叉熵趋近于0,通过拟合辨别器的参数来最小化交叉熵。

训练:

  1. 将真实数据标为1,生成器生成数据标为0. 迭代训练辨别器。
  2. 生成器输出为辨别器的输入,固定辨别器的参数,将输入生成器的噪音样本标记为1,最小化损失函数,训练生成器。
  3. 反复迭代,最终生成器的生成能力ok。



未完待续


评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值