GAN的基本概念


一泥技、 基本描述

1. 組成

1) 判別算法discriminative algorithms

判別算法根據(jù)輸入數(shù)據(jù)的feature進(jìn)行分類label; 比如這封郵件是不是垃圾郵件

2) 生成算法 generative algorithms

生成算法根據(jù)特定的label預(yù)測(cè)feature

3) 生成器 generator

一個(gè)卷積神經(jīng)網(wǎng)絡(luò)

生成新數(shù)據(jù)

4) 判別器 discriminator

一個(gè)卷積神經(jīng)網(wǎng)絡(luò)

評(píng)估生成數(shù)據(jù)的真實(shí)性

2. 工作過(guò)程

1) 簡(jiǎn)述

生成模型生成一些圖片->判別模型學(xué)習(xí)區(qū)分生成的圖片和真實(shí)圖片->生成模型根據(jù)判別模型改進(jìn)自己,生成新的圖片->····


2) 過(guò)程

a) 在以下兩個(gè)Minibatch應(yīng)用梯度下降等優(yōu)化算法

訓(xùn)練樣本

生成樣本

b) 優(yōu)化

3) 結(jié)果

生成模型與判別模型無(wú)法提高自己——即判別模型無(wú)法判斷一張圖片是生成出來(lái)的還是真實(shí)的而結(jié)束

二磕仅、 數(shù)學(xué)描述

1. 生成模型 g(z)

1) 概念

輸入z是一個(gè)隨機(jī)噪聲

g的輸出就是一張圖片


2. 判別模型? D(x)

1) 概念

輸入X是從模型中的抽取的樣本

D(x)的輸出是0-1范圍內(nèi)的一個(gè)實(shí)數(shù)珊豹,用來(lái)判斷這個(gè)圖片是一個(gè)真實(shí)圖片的概率是多大

2) 公式


解釋: ????D=1(真實(shí)圖片),則P_data=1, P_model=0

????????????????D=0(假的圖片)榕订,則 P_data=0

3. 優(yōu)化方法

o 交互迭代

????? 固定g店茶,優(yōu)化D,一段時(shí)間后劫恒,固定D再優(yōu)化g贩幻,直到過(guò)程收斂。

4. 代價(jià)函數(shù)

1) 判別器的代價(jià)函數(shù)J(D)


迄今為止两嘴,所有的判別其代價(jià)函數(shù)都一樣丛楚,不一樣的是生成器的代價(jià)函數(shù)。

這是一個(gè)標(biāo)準(zhǔn)的cross-entropy cost

真實(shí)數(shù)據(jù)的label=1憔辫,生成器生成的數(shù)據(jù)的label=0

目標(biāo)是最小化判別器的代價(jià)函數(shù)

2) Minimax 博弈/零和博弈


3) Non-saturating heuristic啟發(fā)式鸯檬,非飽和博弈


啟發(fā)式驅(qū)動(dòng)是說(shuō)按照實(shí)際操作改變策略,而不是遵循理論螺垢。

為了防止生成器的梯度消失喧务,把生成器的cost變成:

4) Maximum likelihood最大似然博弈

5) Divergence的選擇

6) Generator 的Cost function的比較


結(jié)論:使用non-saturating

三赖歌、 DCGAN

1. 引入——CNN

1) 概念

(convolutional neural network,卷積神經(jīng)網(wǎng)絡(luò))功茴。深度神經(jīng)網(wǎng)絡(luò)的一種庐冯,可以通過(guò)卷積層(convolutional layer)提取不同層級(jí)的信息

2) 輸入

圖片

3) 輸出

圖片

抽象表達(dá)(紋理/形狀etc)

2. 簡(jiǎn)介

o 人們?yōu)閳D像生成設(shè)計(jì)了一種類似反卷積的結(jié)構(gòu):Deep convolutional NN for GAN(DCGAN)

o 是GAN的使用場(chǎng)景——在圖片中的生成模型DCGAN。

3. 輸入

o 隨機(jī)噪聲向量(高斯噪聲etc)

4. 處理流程

o 輸入通過(guò)與CNN類似但是相反的結(jié)構(gòu)坎穿,將輸入放大成二維數(shù)據(jù)展父。

o 通過(guò)生成模型+判別模型

o 生成圖片

四、 訓(xùn)練GAN的tips

1. 用label訓(xùn)練

2. One-sided label smoothing

防止判別器的極端的可信分類(某一類的可能性為1)

幫助判別器抵抗生成器的攻擊

3. 注意Batch norm的使用

1) Feature norm的定義

subtract mean, divide by standard deviation

2) 注意

會(huì)導(dǎo)致batch之間相互影響玲昧,應(yīng)該使用virtual batch norm

4. 平衡G和D

D應(yīng)該獲勝栖茉,應(yīng)該多鍛煉D,D應(yīng)該更加復(fù)雜

https://deeplearning4j.org/generative-adversarial-network#tips-in-training-a-gan

1. discriminator 與generator孵延,固定一個(gè)吕漂,訓(xùn)練另一個(gè)

2. 開(kāi)始訓(xùn)練generator之前預(yù)先訓(xùn)練discriminator

3. GAN訓(xùn)練很費(fèi)時(shí)間,建議用GPU不要用CPU

五尘应、 GAN與其他神經(jīng)網(wǎng)絡(luò)的比較

1. Auto encoder/decoder

可以壓縮原始數(shù)據(jù)

2. VAE(Variational變化的 auto encoder)

增加了額外的限制

可以壓縮原始數(shù)據(jù)

可以生成數(shù)據(jù)(生成效果沒(méi)有GAN好)

六惶凝、 GAN的有趣應(yīng)用

https://deeplearning4j.org/generative-adversarial-network#unclassified-papers--resources

七、 評(píng)估

1. inception scores

It's particularly interesting because it seems to be a very reliable way to "quantify realism" in GANs,

八犬钢、 前沿研究

1. 解決Non-convergence

2. 如何評(píng)估生成模型

3. 離散的輸出

4. 半監(jiān)督化學(xué)習(xí)

5. 苍鲜。。玷犹。

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末混滔,一起剝皮案震驚了整個(gè)濱河市,隨后出現(xiàn)的幾起案子歹颓,更是在濱河造成了極大的恐慌坯屿,老刑警劉巖,帶你破解...
    沈念sama閱讀 211,123評(píng)論 6 490
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件晴股,死亡現(xiàn)場(chǎng)離奇詭異愿伴,居然都是意外死亡肺魁,警方通過(guò)查閱死者的電腦和手機(jī)电湘,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,031評(píng)論 2 384
  • 文/潘曉璐 我一進(jìn)店門(mén),熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)鹅经,“玉大人寂呛,你說(shuō)我怎么就攤上這事●危” “怎么了贷痪?”我有些...
    開(kāi)封第一講書(shū)人閱讀 156,723評(píng)論 0 345
  • 文/不壞的土叔 我叫張陵,是天一觀的道長(zhǎng)蹦误。 經(jīng)常有香客問(wèn)我劫拢,道長(zhǎng)肉津,這世上最難降的妖魔是什么? 我笑而不...
    開(kāi)封第一講書(shū)人閱讀 56,357評(píng)論 1 283
  • 正文 為了忘掉前任舱沧,我火速辦了婚禮妹沙,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘熟吏。我一直安慰自己距糖,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,412評(píng)論 5 384
  • 文/花漫 我一把揭開(kāi)白布牵寺。 她就那樣靜靜地躺著悍引,像睡著了一般。 火紅的嫁衣襯著肌膚如雪帽氓。 梳的紋絲不亂的頭發(fā)上趣斤,一...
    開(kāi)封第一講書(shū)人閱讀 49,760評(píng)論 1 289
  • 那天,我揣著相機(jī)與錄音杏节,去河邊找鬼唬渗。 笑死,一個(gè)胖子當(dāng)著我的面吹牛奋渔,可吹牛的內(nèi)容都是我干的镊逝。 我是一名探鬼主播,決...
    沈念sama閱讀 38,904評(píng)論 3 405
  • 文/蒼蘭香墨 我猛地睜開(kāi)眼嫉鲸,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼撑蒜!你這毒婦竟也來(lái)了?” 一聲冷哼從身側(cè)響起玄渗,我...
    開(kāi)封第一講書(shū)人閱讀 37,672評(píng)論 0 266
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤座菠,失蹤者是張志新(化名)和其女友劉穎,沒(méi)想到半個(gè)月后藤树,有當(dāng)?shù)厝嗽跇?shù)林里發(fā)現(xiàn)了一具尸體浴滴,經(jīng)...
    沈念sama閱讀 44,118評(píng)論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,456評(píng)論 2 325
  • 正文 我和宋清朗相戀三年岁钓,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了升略。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 38,599評(píng)論 1 340
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡屡限,死狀恐怖品嚣,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情钧大,我是刑警寧澤翰撑,帶...
    沈念sama閱讀 34,264評(píng)論 4 328
  • 正文 年R本政府宣布,位于F島的核電站啊央,受9級(jí)特大地震影響眶诈,放射性物質(zhì)發(fā)生泄漏涨醋。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,857評(píng)論 3 312
  • 文/蒙蒙 一逝撬、第九天 我趴在偏房一處隱蔽的房頂上張望东帅。 院中可真熱鬧,春花似錦球拦、人聲如沸靠闭。這莊子的主人今日做“春日...
    開(kāi)封第一講書(shū)人閱讀 30,731評(píng)論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)愧膀。三九已至,卻和暖如春谣光,著一層夾襖步出監(jiān)牢的瞬間檩淋,已是汗流浹背。 一陣腳步聲響...
    開(kāi)封第一講書(shū)人閱讀 31,956評(píng)論 1 264
  • 我被黑心中介騙來(lái)泰國(guó)打工萄金, 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留蟀悦,地道東北人。 一個(gè)月前我還...
    沈念sama閱讀 46,286評(píng)論 2 360
  • 正文 我出身青樓氧敢,卻偏偏與公主長(zhǎng)得像日戈,于是被迫代替她去往敵國(guó)和親。 傳聞我的和親對(duì)象是個(gè)殘疾皇子孙乖,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,465評(píng)論 2 348

推薦閱讀更多精彩內(nèi)容

  • 這苦行的人生何以尋求幸福浙炼? 那遙遠(yuǎn)的回響 將靜靜用心聆聽(tīng) 我的訴說(shuō) 將在某日傳入你的耳中 命運(yùn)的神啊唯袄! 請(qǐng)您高抬貴...
    蕭瀹閱讀 437評(píng)論 0 10
  • 機(jī)緣巧合 我坐在車(chē)上抬頭看見(jiàn)弯屈,馬上抓拍 太像了 20170813
    金聲說(shuō)今事閱讀 327評(píng)論 0 1
  • 世界上的最遠(yuǎn)的距離资厉,就是從知道到做到。為什么我們知道了那么多蔬顾,在行動(dòng)上卻沒(méi)有改變宴偿。 反思這段時(shí)間不斷不斷的學(xué)習(xí)新知...
    一縷陽(yáng)光v閱讀 276評(píng)論 4 7