李宏毅： improved generative adversarial network（GAN）

最新推荐文章于 2025-06-01 14:50:26 发布
原创 最新推荐文章于 2025-06-01 14:50:26 发布 · 512 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#deep learning

本文详细介绍了改进的生成对抗网络（GAN）的工作原理，包括生成器与判别器的更新过程、f-散度、Fenchel共轭的概念及其与GAN的联系。此外，还讨论了Wasserstein GAN（WGAN）中的地球移动距离、权重裁剪、梯度惩罚等关键点，并探讨了GAN在句子生成、条件生成和未配对图像转换（如Cycle GAN）等任务中的应用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1、generation

从normal distribution（正态分布）中sample出一些点：

generator需要update它的参数，使得它output产生的image能被discriminator误认为它是realistic。

再update discriminator，使得之前被它判断出来是realistic的image重新判断为fake。

不断更新，直到generator产生出的image够好为止。

2、algorithm

3、f-divergence

convex function是指凸函数

（1）KL

最低0.47元/天 解锁文章

200万优质内容无限畅学
李宏毅-Generative Adversarial Network
12-18
李宏毅-Generative Adversarial Network PPT 视频教学
李宏毅：generative adversarial network（GAN）
jiaojiaolou的博客
06-01 799
1、auto-encoder 2、VAE（Variational Auto encoder） 3、learn discriminator & generator （1） how to learn GAN discriminator discriminator（辨别器）就是一个binary classifier，辨别一个image是real的还是fake的。 generat...
【课堂笔记】生成对抗网络 Generative Adversarial Network（GAN）
最新发布
qq_40432278的博客
06-01 761
这样能够生成与真实数据分布相似的合成数据，用于数据增强；同时通过生成器和判别器的对抗训练，生成器学习到真实数据的概率分布，生成的样本更加逼真、细节丰富。一方面，许多机器学习任务需要大量标注数据，但真实数据可能稀缺或昂贵（如医学影像、稀有事件数据）。在上述推导中，对随机分布进行了期望积分，但实际操作过程中直接计算上述积分是不可行的，我们会采用。另一方面，传统生成模型（如变分自编码器VAE）生成的样本往往模糊或缺乏多样性，难以。（通常是正态或均匀分布），输出生成的假数据。这两个神经网络是对抗性的，生成器。
Generative Adversarial Nets[Improved GAN]
weixin_30672019的博客
01-19 193
0.背景 Tim Salimans等人认为之前的GANs虽然可以生成很好的样本，然而训练GAN本质是找到一个基于连续的，高维参数空间上的非凸游戏上的纳什平衡。然而不幸的是，寻找纳什平衡是一个十分困难的问题。在现有的针对特定场景算法中，GAN的实现通常是使用梯度下降的方法去训练GAN网络的目标函数，意在找到lost函数最低值而已，而不是真的找零和游戏中的纳什平衡。且目标函数本身是非凸函数，其中是连...
Generative Adversarial Network (GAN)
01-30
本PPT介绍了Generative Adversarial Network (GAN) 的基本思想.
GAN: Generative Adversarial Network
ayst123 的专栏
01-11 548
理解 独家​｜深度学习新星：GANs的基本原理、应用和走向， 冯佳时
【李宏毅2020 ML/DL】P79 Generative Adversarial Network | Tips for improving GAN
记录学习痕迹的公众号：Piper蛋窝
08-08 813
JS divergence 存在问题固有问题，由此，介绍了LSGAN、WGAN等技术。
【学习笔记】李宏毅2021春机器学习课程第6.2节：生成式对抗网络 GAN（二）
Harryline的博客
07-24 505
文章目录1 No pain，no GAN2 用 GAN 来生成一个 Sequence3 怎么评估一个 Generator 的好坏3.1 多样性问题 - Mode Collapse3.2 多样性问题 - Mode Dropping3.3 我们不想要一个没有创造力的 GAN.4 有条件的生成 1 No pain，no GAN GAN是以很难 Train 起来而闻名的，那为什么 GAN 很难被 Train 起来？ 它有一个本质上困难的地方： Discriminator 做的事情是要分辨真的图片跟产生出来的图片
生成式对抗网络（GAN）（李宏毅2022）
linyuxi_loretta的博客
10-24 1773
我们。
泛读论文：GAN 生成对抗网络合集
汪汪汪的博客
03-19 1157
Generative Adversarial Nets NIPS2014 问题 之前的一些工作在最大释然估计和近似推理（related strategies）中会遇到很多难以解决的概率计算困难 ‘and due to difficulty of leveraging the benefits of piecewise linear units in the generative conte...
Generative Adversarial Networks
03-25
Generative Adversarial Networks，GAN，一种深度学习算法的论文
GAN —— Generative Adversarial Network
还是应该要努力的（12点前睡觉！！！！！
04-15 4231
文章目录生成对抗网络 GAN —— Generative Adversarial NetworkWhy GANGAN的思想 Thought of GANGAN网络架构生成器 Generator判别器 Discriminator 生成对抗网络 GAN —— Generative Adversarial Network Why GAN 常有这样的需求：图像生成，语音生成，状态预测等，这要求我们要有一...
李宏毅MLDS课程笔记9：Generative Adversarial Network(GAN)
徐子尧的博客
04-23 4388
NIPS 2016 Tutorial: Generative Adversarial Networks [Paper] [Video] tips for training GAN: https://github.com/soumith/ganhacksBasic Idea of GAN1、最大化似然函数等价于最小化PdataP_{data} 与PGP_G 之间的KL散度。如果PGP_G 取的是GM
Generative Adversarial Network（生成对抗网络）
长路漫漫亦灿灿
06-20 2414
生成对抗网络（GAN），变分编码器（VAE）
generative_adversarial_network
咕噜咕噜
04-12 352
import os import torch import torchvision import torch.nn as nn from torchvision import transforms from torchvision.utils import save_image # Device configuration device = torch.device('cuda' if to...
Generative Adversarial Networks（生成对抗网络GAN，DCGAN）
热门推荐
nakaizura
03-13 2万+
Generative Adversarial Networks GAN的想法很简单，一言以蔽之：以假乱真。 Generative（生成）：GAN实际上可以看作是一个生成数据的工具。目标就是通过学习让自身生成更加真实的数据。 Adversarial （对抗）：既然能够以假乱真，对抗的自然就是识别真假的警察了。 所以GAN 主要包括了两个部分： 生成器 （Generator ）：生成器努力使生成的图像...
对抗生成网络（Generative Adversarial Network）
MapleStory的博客
12-20 1776
本课程是针对李宏毅教授在Youtube上上传的机器学习课程视频的学习笔记。课程视频地址Introduction Outline Basic Idea of GAN When do we need GANIntroduction某人在Quara上的问题：非监督学习领域最近有没有什么突破性的进展呢？Lecun大神亲自回答：对抗训练可能是有史以来（since sliced bread，有一个好东西出现的意
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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