有用的英文表達(dá)
since sliced bread 有史以來（形容一項(xiàng)技術(shù)非常好）
1.Basic idea of GAN
Generation
圖像生成：輸入一個向量遥赚，輸出一張圖片供炼。
Discriminator
輸入一張圖片，給出一個scalar（分?jǐn)?shù)）我纪。
scalar越大悬赏，代表圖像越真實(shí)；越小蒸矛，代表越假瀑罗。
Generator VS Discriminator
寫作敵人胸嘴，念做朋友
算法
- 初始化generator(G)和discriminator(D)
- 在每個訓(xùn)練周期中：
- 固定G,更新D（D學(xué)習(xí)給真實(shí)的對象高的分?jǐn)?shù)，給生成的對象低的分?jǐn)?shù)）
- 固定D斩祭，更新G（G學(xué)習(xí)去騙過D）
詳細(xì)的算法
IMG_0013.PNG
2.GAN as structured learning
structured learning
IMG_0014.PNG
為什么結(jié)構(gòu)化學(xué)習(xí)這么具有挑戰(zhàn)性劣像？
-
One-shot/Zero-shot Learning:
- 在分類中，每種類別都有很多樣本實(shí)例
- 在結(jié)構(gòu)化學(xué)習(xí)中
- 如果你把每個可能的輸出都看作一個“類別”摧玫。耳奕。。
- 由于輸出的空間是很大的诬像，很多“類別”是沒有訓(xùn)練數(shù)據(jù)的
- 機(jī)器學(xué)習(xí)需要在測試時產(chǎn)生新東西
- 需要更多的智能
Machine has to learn to do planning(全局觀)
結(jié)構(gòu)化學(xué)習(xí)的方法——局部+全局
IMG_0015.PNG
3.Can Generator learn by itself?
G是輸入一個向量屋群，輸出一張圖片，那輸入的向量（code）哪里來坏挠？
Encoder in auto-encoder provides the code
-
Auto-encoder的后半部分——Decoder就是一個G（Generator）
IMG_0016.PNG Auto-encoder的改進(jìn)版本：Variational Auto-encoder(VAE)
-
what do we miss?
- Each neural in output layer corresponds to a pixel.
- The relation between the components are critical.
- Although highly correlated, they cannot influence each other.
- Need deep structure to catch the relation between components.
4.Can Discriminator generate?
Discriminator的輸入是一個對象芍躏，比如一張圖象，輸出是一個scalar降狠，代表對象的好壞
-
自上而下地評價(jià)組分之間的關(guān)系是很容易的.
IMG_0017.PNG 假設(shè)我們已經(jīng)有D对竣，可以生成所有可能的對象，然后選擇中間得分最高的作為最終結(jié)果
怎么訓(xùn)練D榜配？我們只有真實(shí)圖像否纬，如何產(chǎn)生假圖？
通常的算法：給一系列真實(shí)樣本芥牌，隨機(jī)生成假的樣本
5.G和D的比較
G是從局部考慮烦味，D是全局考慮。
IMG_0019.PNG
6.Benefit of GAN
IMG_0020.PNG
