生成对抗网络

前言

本人对于深度学习算是小白一枚,之前有不懂的问题,时常会翻看大牛们的技术博客,看多了,自己心里也痒痒的,于是就有了把自己的学习和思考的结果写下来的想法。同时也希望能借此文章与深度学习的小白们共勉,你不是一个人在战斗。^_^

生成对抗网络

Goodfellow等人于2014年提出的模型,其特点是具有两个对立的网络,一个叫生成网络,另一个叫判别网络。
我们很容易顾名思义,简单来讲:

生成网络,就是一个从无到有的网络(当然也不绝对如此),把一些毫无规律的数据(我们称之为噪声)映射到和训练样本相同的空间,训练的目地就是学习两者之间的规则(我们称之为分布)。
判别网络,其输入既可以是训练样本,也可以是生成网络的输出(不如说必须如此),目的是区分数据是来自样本集还是来自生成网络,所以它的输出是表示输入是来自样本集的概率。


其实Goodfellow提出生成对抗网络的最初目的是为了得到一个好的生成模型,这个模型可以以真实数据的分布得出新的数据,当然要想得出真实数据分布这一点本身几乎不可能,更别说评判生成模型是否学到了真实的分布,所以才有了用另一个网络来评判的想法。

在这插一句,看过原文的思想之后觉得生成对抗网络其实原理和机器学习里的“EM算法”很相似,有兴趣的可以自学一下。

下面正式转述作者的想法
首先,一上来作者就对深度玻尔兹曼机一阵鄙视啊,原文是:This quantity (the partition function) and its gradient are intractable for all but the most trivial instances, although they can be estimated by Markov chain Monte Carlo (MCMC) methods.
就是说深度信念网络就是渣渣,在很小的数据上都能难训练了(它梯度有问题),就算能用

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