本文介绍了生成对抗网络（GAN）中生成模型（G）和判别模型（D）的工作原理，用MLP模拟图像生成，通过优化目标函数让D难以区分真实数据和生成数据。文章详细描述了模型如何通过噪声变量和多维分布工作，以及如何通过KL散度和JS散度评估分布差异。
G用来抓取整个数据的分布，因为生成模型就是要对整个数据的分布进行建模，使得我能生成各种分布。辨别模型D判别数据是生成出来的还是真实的，生成模型需要尽可能的使判别模型犯错。
假如说我要生成一张游戏的图片，4K的分辨率，每秒钟能输出60张图片，x就是那个4K分辨率的图片也就是800万像素。每一个像素是一个随机变量，X就是一个长为800万维的一个多维随机变量，每一个像素的值都是由后面的一个分布来控制就是。定一个先验在一个输入的噪音变量上面，噪音变量是z，分布是
, z可以认为比如说一个100维的向量，她每一个元素是一个均值为0，方差为1的高斯噪音，生成模型就是把z映射成x，生成模型是一个MLP，她有一个可学习的参数叫做
，MLP理论上可以拟合任何一个函数，原先生成游戏的图片就是通过背后的代码控制一些变量生成的画面，生成模型就是不管代码而是估计一个差不多大小的向量，这个向量足以表达背后隐藏的一些逻辑。再学一个映射MLP，MLP理论上可以拟合任何一个函数。构造一个差不多大小的向量，这个多层感知机强行把这个z映射成我要的那些x，使得长得很像。
判别器有可学习的参数，判别器的作用就是把之前的800万像素的图片放进来输出一个标量，判断x是来自真实采样的数据还是生成出来的图片。如果来自于真实的数据就标1，来自于生成
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
