本文详细介绍了生成对抗网络（GAN）的基本原理，包括GAN、CGAN、DCGAN、Cycle GAN、self-attention GAN（SAGAN）、Wasserstein GAN（WGAN）和StarGAN。重点讨论了这些模型的结构、目标函数、优化策略和实际应用，如生成卡通头像、图像转换和多域转换。WGAN通过引入Wasserstein距离解决了原始GAN的梯度消失问题，而SAGAN利用自注意力机制提高了生成质量。最后，StarGAN展示了在多域图像转换中的强大能力。
GAN：
值函数（评价函数，非损失函数）：
x表示真实图片，z表示输入噪声，x~Pdata(x)与x~Pz(z)表示满足各自的分布律。理想状态下，D（G（Z））=0.5
更新方式：
交替训练G（Generator）和D(Discriminator), D加梯度，G减梯度
简单讲一下上面两个公式，m指样本个数，从评价函数出发：
第一个公式，更新的是D的w（
）
第二个公式，更新的是G的w（
）
CGAN条件对抗生成网络：
参考网址：https://blog.youkuaiyun.com/stalbo/article/details/79359380
输入增加额外信息y。在mnist数据集上进行CGAN的实验，G网络输入是z噪声及标签y，输出为假图片向量。D网络输入是图像向量和标签y，输出是来自mnist数据集的概率
目标函数是带有条件概率的二元极小极大博弈，x是mnist数据集的图片向量
DCGAN深度卷积生成对抗网络：
CNN（2个CNN替换了D和G）与GAN的结合。
stride代替pooling实现了G的可微，使评价函数平滑收敛
应用： 生成卡通头像
最低0.47元/天 解锁文章
扫一扫
1812
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
