Deep Learning 的学习基本上是学十得一。稳扎稳打再来一次
1 背景
生成对抗网络
Since sliced bread 有史以来最酷的东西
概率密度的生成器
2 概念
GAN:由生成器G和判别器D组成,先固定G训练D,后固定D,D告知G哪些是好的特征,训练G,循环迭代到最小损失;
3 比较
3.1 针对生成器
图1 auto-encoder(自编码器)
生成器相当于自编码的左部分,如下:
图2 生成器简图
3.2 输出差异
图3 其他问题比较
GAN的输出为structured;
4 算法描述
图4 算法开头
判别器:给真数据一个很高的分,给假数据一个很低的分;
生成器:使得生成的图片判别器的分数越高越好;
Pdata(x):真实图片集的分布,x 是一个真实图片,可以想象成一个向量,这个向量集合的分布就是 Pdata。
图5 算法简述
[max V(G,D)]就是真图像和假图像之间的距离,min[maxV(G,D)]也就达到了真图像和假图像之间的距离最小!
-