Rita's Blog

为什么likelihood不行传统衡量generator的方法是算generator产生的数据的likelihood。给一些generator在训练时没有观察过的真实数据，计算产生这些数据的likelihood。但在GAN中无法计算产生某一种特定结果的几率，因为数据是通过复杂的神经网络生成的，而不是简单的分布。核密度估计Kernel Density Estimation这种情况下无法判断需要生成多少个点才能估计分布，在实际应用中也会出现问题。likelihood本身也未必代表输出的质量：如果

在李宏毅GAN教程（3） 的基础上增添修改内容文章目录JS散度不是很适合LSGANEBGANLSGAN（Loss-sensitive GAN）仍然存在的问题GAN for Sequence Generation为了让GAN容易训练JS散度不是很适合最原始的GAN量的是Pg和Pdata之间的JS散度；但是有一个严重的问题：可能两个分布没有任何的重叠，一方面的原因是由于image在高维空间中的分布其实是低维的流形（二维平面折叠在三维空间中），高维空间中的低维流形几乎是可以忽略的，高维空间中随意抽样只有非

之前做的是 supervised，收集了很多图片和对应的文字本节是unsupervised 的，收集不到他们之间的link

李宏毅GAN教程第二部分，Conditional Generation by GAN

视频链接：https://www.bilibili.com/video/BV1tE411Z78A在文章目录Basic idea of GAN生成器Generator判别器Discriminator两者关系一个实际的过程算法过程GAN AS Structure Learning生成器可以自己学习吗？（生成器就是Autoencoder中的decoder）可以的话，单独learn会有什么问题？（输出像素之间独立）判别器为什么不自己学习生成图片？（可以生成但是很卡（很慢））总结经过GAN，都可以解决Basic