学习笔记_01生成对抗网络(GANs)

这篇博客主要介绍了生成对抗网络(GANs)的发展起源、基本原理和应用。GANs由生成器和判别器构成,通过博弈过程达到纳什均衡,实现对真实数据分布的捕捉。在训练过程中,两者交替优化,最终生成器能创造出难以区分真假的样本。GANs在图像处理领域有广泛应用,如图像超分辨率和图像复原。

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

本人初学关于GAN的相关知识,该博客作为整理自己学习的一个平台博客内容仅代表个人观点,如果有什么错误的地方还请各位指教,谢谢!
01发展起源
GANs(Generative Adversarial Networks)生成对抗网络,其发展的具体过程为:(1)14年,论文Generative Adversarial Nets发表 以来,生成式对抗网络 GAN 广受关注。(2)Conditional Generative Adversarial Nets(3)Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks。简要概括为:受博弈论中的二人零和博弈的启发,GAN中博弈的双方为生成器模型(Generative model)和判别器模型(discriminative model).生成模型 G 捕捉样本数据的分布,用服从某一分布(均匀分布,高斯分布等)的噪声 z 生成一个类似真实训练数据的样本,追求效果是越像真实样本越好;判别模型 D 是一个二分类器,估计一个样本来自于训练数据(而非生成数据)的概率,如果样本来自于真实的训练数据,D 输出大概率,否则,D 输出小概率。可以做如下类比:生成网络 G 好比假币制造团伙,专门制造假币,判别网络 D 好比警察,专门检测使用的货币是真币还是假币,G 的目标是想方设法生成和真币一样的货币,使得 D 判别不出来,D 的目标是想方设法检测出来 G 生成的假币。
02基本原理
GAN网络架构图
在训练的过程中固定一方,更新另一方的网络权重,交替迭代,在这个过程中,双方都极力优化自己的网

评论
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