GAN ZOO 第2节: 对原始GAN的损失函数进行改进:LSGAN、WGAN、WGAN-GP

本文是'GAN ZOO'系列第2节,探讨了原始GAN的梯度消失和模式崩溃问题,并介绍了LSGAN、WGAN和WGAN-GP的改进。LSGAN通过最小二乘损失函数解决梯度消失,WGAN使用Wasserstein距离避免模式崩溃,WGAN-GP解决了WGAN的梯度剪切问题。

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

“GAN ZOO”系列文章说明

    GAN成为当下研究热点,相关论文数量正在以指数趋势增长,如上图所示。

    为了便于大家迅速追踪研究热点,“AI微刊”团队持续推出“GAN ZOO”系列文章,精选典型GAN模型,对其进行精简的解析,让你“三分钟”读一篇论文。

 

GAN ZOO 第2节:

对原始GAN的损失函数进行改进:LSGAN、WGAN、WGAN-GP

PS:本文知识点高度密集,建议码起来,电脑端阅读。

本文是“GAN ZOO”系列第2节,将为您:

  • 分析原始GAN损失函数带来梯度消失、模式崩溃等问题的原因;
  • 介绍经典改进模型模型:LSGAN、WGAN、WGAN-GP。

 


4. 最小二乘GAN(LSGAN):LSGAN用最小二乘损失函数替换交叉熵损失函数,加大对离群样本的惩罚

本论文首次发表于2016.11.13

 

4.1 原始GAN的缺陷

    原始GAN使用Sigmoid交叉熵损失函数,容易造成梯度消失问题,使得生成器G的训练不充分。

    具体阐述为:

    原始GAN的损失函数为Sigmoid交叉熵:

    如下图,蓝线是判别器D的真假样本决策边界,蓝线右下方的样本判为真,左上方判为假。由于判别器被欺骗,因此将一部分真样本(黄色圆圈o)判为假,将一部分假样本(蓝色十字+)判为真。

    对于被判为“真”,但是又远离真实样本分布的假样本(图中粉色五角星☆虽然被判为真,但是离黄色圆圈o较远),这些样本被判别器D打上了“真”的标签,即D(G(z))=1,因此在损失函数中表现为生成器G的损失函数值为0,如下所示:

评论 1
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