木东的博客

论文一、《Generative Adversarial Nets》NIPS 20141、模型简述这篇论文是最早提出 GAN 的文章，作者 Ian J. Goodfellow 提出了一种新的对抗过程来评价生成模型的效果。GAN 主要分为两部分：生成模型和判别模型。生成模型的作用是模拟真实数据的分布，判别模型的作用是判断一个样本是真实的样本还是生成的样本，GAN 的目标是训练一个生成模型完...

最初，由于其中的一个缺陷，GANs在文本生成方面无法得到有效的应用。得益于该团队之前发表的SeqGAN，GANs在文本生成上有了可能，不过表现并没有图像生成任务中那么突出。主要问题之一就是，生成器 G 从鉴别器 D 获得的反馈中含有的信息量太少，不足以有效地引导 G 更新、提升文本生成质量，尤其是当文本长度较长的时候。这就引出了下面这个问题：如果让鉴别器反馈更多信息给生成器，是否能够有效地改善...

本文转载自：https://mp.weixin.qq.com/s?__biz=MzUzNTA1NTQ3NA==&mid=2247484192&idx=1&sn=55070a51c19535427efe11824140a947&chksm=fa8a1e3dcdfd972bfdbb5f9cc18944e94f28471e7ec49e13d6ace34170013ca24...

1、背景GAN作为生成模型的一种新型训练方法，通过discriminative model来指导generative model的训练，并在真实数据中取得了很好的效果。尽管如此，当目标是一个待生成的非连续性序列时，该方法就会表现出其局限性。非连续性序列生成，比如说文本生成，为什么单纯的使用GAN没有取得很好的效果呢？主要的屏障有两点：1）在GAN中，Generator是通过随机抽样作为开始...

引言本文主要介绍如何在tensorflow上仅使用200个带标签的mnist图像，实现在一万张测试图片上99%的测试精度，原理在于使用GAN做半监督学习。前文主要介绍一些原理部分，后文详细介绍代码及其实现原理。前文介绍比较简单，有基础的同学请掠过直接看第二部分，文章末尾给出了代码GitHub链接。对GAN不了解的同学可以查看微信公众号：机器学习算法全栈工程师 的GAN入门文章。1.监督，无

概述GAN的发明者Ian Goodfellow2016年在Open AI任职期间发表了这篇论文，其中提到了GAN用于半监督学习(semi supervised)的方法。称为SSGAN。 作者给出了Theano+Lasagne实现。本文结合源码对这种方法的推导和实现进行讲解。1半监督学习考虑一个分类问题。 如果训练集中大部分样本没有标记类别，只有少部分样本有标记。