本文档介绍了基于Keras实现的Generative Adversarial Networks（GAN）模型。简述了GAN的基本原理，包括Generator和Discriminator两部分，强调了它们在训练过程中的交互作用。并提供了Keras实现GAN的主要代码段，展示了模型结构和参数设置，探讨了训练迭代次数（K值）的重要性。
参考文献：
主要参考这篇文章 Generative Adversarial Networks, link
为了方便说明和研究，我这里只是设计了一个非常简单的模型，对高斯分布样本进行生成。不过从下面的实验中，我还是发现了一些非常有用的特点，可以加深我们对GAN网络的了解。
GAN原理
具体原理可以参考上面的文献，不过在这里还是大概讲一下。
其实GAN的原理非常简单，它有2个子网络组成，一个是Generator，即生成网络，它以噪音样本为输入，通过学习到的权重，把噪音转变（即生成）为有意义的信号；一个是Discriminator，即判别网络，他以信号为输入（可以来自generator生成的信号，也可以是真正的信号），通过学习来判别信号的真假，并输出一个0-1之间的概率。可以把Generator比喻为一个假的印钞机，而Discriminator则是验钞机，他们两个互相竞争，使得印钞机越来越真，同时验钞机也越来越准。但是最终我们是希望Generator越来越真，而Discriminator的输出都是0.5，即难以分辨～～
而在训练的时候，则分两个阶段进行，第一个阶段是Discriminator的学习，此时固定Generator的权重不变，只更新Discriminator的权重。loss函数是：
订阅专栏 解锁全文
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
