GAN系列基础知识

原创 已于 2025-03-14 10:44:10 修改 · 756 阅读 · 0 ·
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：

#生成对抗网络 #人工智能 #神经网络

于 2023-02-13 11:29:08 首次发布
文章介绍了GANs的基础，包括原始GAN的值函数和WGAN的loss函数，强调了Wasserstein距离在解决优化饱和和坍缩模式中的作用。WGAN-GP通过GradientPenalty确保1-Lipschitz约束。此外，提到了DC-GAN的反卷积结构，ALI和BiGAN的双向转换，以及IRGAN的信息检索视角。CycleGAN则展示了风格迁移的实现，通过循环一致性损失保持内容的一致性。

省流版的GAN loss函数

原始GAN的值函数是
minGmaxDV(D,G)=Ex∼pdata(x)[logD(x)]+Ez∼pz(z)[log(1−D(G(z)))]min_Gmax_DV(D,G) = E_{x \sim p_{data}(x)}[logD(x)]+E_{z \sim p_{z}(z)} [log(1-D(G(z)))]minG​maxD​V(D,G)=Ex∼pdata​(x)​[logD(x)]+Ez∼pz​(z)​[log(1−D(G(z)))]
这时候D(x)越接近于1，判别器越认为来自于真实样本

WGAN的loss函数是
minGmaxDEx∼pdata(x)[D(x)]−Ez∼pz(z)[D(z)]min_Gmax_D E_{x \sim p_{data}(x)}[D(x)]-E_{z \sim p_{z}(z)} [D(z)]minG​maxD​Ex∼pdata​(x)​[D(x)]−E

最低0.47元/天 解锁文章
【人工智能的数学基础】积分概率度量(Integral Probability Metric)
AI天才研究院
06-26 6999
Wasserstein距离积分概率度量()用于衡量两个概率分布px和qx之间的“距离” (相似性)。对于两个概率分布px和qx，可以通过**矩(moment)**来衡量其相似性，比如一阶矩(均值)或二阶矩(方差)；然而相同的低阶矩也可能属于不同的概率分布，比如高斯分布和拉普拉斯分布可能具有相同的均值和方差。寻找满足某种限制条件的函数集合F中的连续函数f⋅，使得该函数能够提供足够多的关于矩的信息；然后寻找一个最优的fx∈F使得两个概率分布px和qxdF​px。
生成式对抗网络GAN基础总结
AI天才研究院
08-08 1065
GAN（Generative Adversarial Network）是近年来火遍全球的一种深度学习方法，它可以生成高质量的图像，比如手绘风格的图片或动漫人物皮肤。GAN的基本思想是通过一个生成器（Generator）和一个判别器（Discriminator），两个网络分别学习互相竞争的策略，使得生成器不断提升自我生成能力，而判别器则需要最大程度地欺骗生成器。因此，两者之间形成了一种博弈关系，最终达到一个平衡点。什么是生成器？它是由一个网络结构、参数、损失函数组成的机器学习模型。
【GAN】基础知识（还在更新）
weixin_50862344的博客
07-11 611
还没写完，别骂了.....遇到啥新东西也会补充进来。
小白仍然努力学习之----------GAN基础知识
hx14301009的博客
09-26 582
GAN，还是读game吧，听起来好听点。  李宏毅还是厉害，讲的深入浅出 一.GAN为什么需要generative与discriminative协作 理解GAN，首先来看看，如果只用generative能不能做生成？ 答案是  可以！！！但是，有些缺陷：     我们想想，如果只用generative来做生成，怎么做呢？就是input一些vector，让net学着去生成和target尽可能...
GAN基础知识总结
qq_26972735的博客
05-11 2365
GAN基础原理总结 GAN是由Goodfellow提出的，叫做生成对抗网络，可以生成数据，属于生成模型。自从2014年第一篇GAN的论文提出后，对GAN的研究和改进就一直很火热，关于GAN的最新论文以及相关论文在The GAN Zoo中有非常全的总结。 GAN的基本结构分为一个生成器G，和以判别器D。本文主要就是总结一下与GAN有关的基本思想和原理，分析它们是如何训练产生数据的。数据以图像为例。 ...
GAN系列
FR的专栏
06-25 1763
paper GAN开山之作：Generative Adversarial Networks　GAN翻译
GAN_1——基础知识
A-Egoist的博客
09-22 1541
1 GAN浅析 GAN主要由两个网络组成，一个是生成网络G(Generator)，另一个是判别网络D(Discriminator)。 以图片生成为例： G是一个生成图片的网络，它的输入是一个随机噪声z，通过这个噪声生成的图片记作G(z) D是一个判别网络，它可以判别一张图片是不是真实的。它的输入是x，x表示一张图片；输出是D(x)，表示图片x是真实图片的概率，如果为1，则表示这张图片是真实的概率为100%，如果为0，则表示这张图片是真实的概率为0% 在训练过程中，G的目标就是尽量生成真实的图片去欺骗判别
GAN网络详解析
最新发布
wm199的博客
04-17 6333
介绍目前常见的GAN网络，以及GAN网络的基本组成
【万字】一文教会你关于“生成对抗网络GAN”的所有知识
qq_40379132的博客
06-24 5398
GAN的英文全称是Generative Adversarial Network，中文名是生成对抗网络。它由两个部分组成，生成器和鉴别器（又称判别器），生成网络（Generator）负责生成模拟数据；判别网络Discriminator）负责判断输入的数据是真实的还是生成的。生成网络要不断优化自己生成的数据让判别网络判断不出来，判别网络也要优化自己让自己判断得更准确。它们之间的关系可以用竞争或敌对关系来描述。​ 在GAN的原作中，作者将生成器比喻为印假钞票的犯罪分子，判别器则类比为警察。
GAN入门简介
masteryi-0018的博客
02-08 871
GAN入门简介无数学公式，1000字快速读懂GAN
GAN系列之（一）------GAN---Generative Adversarial Networks
sinat_42239797的博客
03-11 410
论文：Generative Adversarial Networks https://arxiv.org/abs/1406.2661 1.GAN的思想 G网络相当于一个学生不断的进行学习，D网络相当于一个老师不断地对学生进行打分和指导，如此一个不断学习不断评估的过程。 如上图所示， 第一次：G学习画动漫人物图像，第一次学习只学到一些简单地轮廓 V1，这个时候D对G的学习进行评估打分，并告诉G动...
GAN系列学习之 GAN
海里的果
04-09 429
今天准备开一个新坑，回顾一下GAN系列的相关论文。GAN在AI领域，代表一个技术路线，或者一个门派，了解它是非常有必要的。当然在线AI领域一片欣欣向荣，图像生成领域也涌现了stable diffusion 这个新分支，在这个领域有压倒GAN的势头。GAN作为14年提出的模型，也是有很长的研究历史了。
GAN系列学习之 cGAN 、lsGAN和DCGAN
海里的果
04-15 1184
生成时候，我们就可以选择移除，或者不移除feature map上有窗户的位置的特征，继续往下生成图像，得到下面的对比图，第一排是有窗户的，第二排是处理后生成的图片，网络删去了窗户，或者替换为了其他物体，这说明学到了窗户的特征。另外一种是 c=b=-1, a=0设置，这种设置的考虑是，很多情况下，输出的值是0-1之间的数，且希望G生成的尽可能真，也就是D对真正的x，和G生成的x’ , 也就是G(z)打一样的分。上图的是G的设计，100维度的z，线性变换后，reshape 4。
GAN系列的总结
jie的博客
06-17 2711
GAN系列的总结SHAZI1.GAN SHAZI1.GAN GAN 相比于其他生成式模型，有两大特点： 不依赖任何先验假设。传统的许多方法会假设数据服从某一分布，然后使用极大似然去估计数据分布。 生成 real-like 样本的方式非常简单。GAN 生成 real-like 样本的方式通过生成器（Generator）的前向传播，而传统方法的采样方式非常复杂 ...
GAN系列之（二）------CycleGAN
sinat_42239797的博客
03-11 705
论文：Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks https://arxiv.org/abs/1703.10593 代码：https://github.com/MJJ-5650/PyTorch-GAN/tree/master/implementations/cyclegan 1....
GAN（生成对抗网络）的系统全面介绍（醍醐灌顶）
热门推荐
m0_61878383的博客
01-18 20万+
本文是关于GAN学习的较为系统全面的介绍，主要针对初学者，希望能够对大家带来帮助。
GAN的系列经典模型讲解
ch18328071580的博客
07-21 1万+
文章目录概述一、CGAN1、基本思想2、模型简介3、 应用二、DCGAN1、基本思想2、模型简介三、WGAN1、模型解析2、模型优点四、LSGAN1、基本思想2、模型解析 概述 自从Goodfellow2014年提出这个想法之后，生成对抗网络（GAN）就成了深度学习领域内最火的一个概念，包括LeCun在内的许多学者都认为，GAN的出现将会大大推进AI向无监督学习发展的进程。 于是，研究GAN就...
掌握GAN对抗生成网络基础——TensorFlow实现指南
描述中提到的"GAN 的基本例程"，说明了这个压缩包内包含的是关于生成对抗网络的基础教程或示例代码，对于初学者或希望了解GAN工作原理的人来说，这是一份宝贵的资源。描述中还提到这个例程能帮助理解生成对抗网络，...
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