2. 深度gan-dcgan
3. 條件gan
4. infogan
5. wasserstein gan
6. 例項:生成器
1.1 生成對抗網路
本質:生成器
組成:
1.2 數學原理
初始狀態:生成資料同真實資料差距明顯,容易判別
訓練過程:對是否真實判斷得到的loss引導生成模型更新,差距減少
最終狀態:生成資料同真實資料相似,無法識別
假設前提:判別模型d,生成模型g具有學習能力,能夠收斂
1.3 簡單模型
1.4 生成對抗網路總結(優缺點)
優點: 缺點
2.1 dcgan(deep convolutional gan)
卷積神經網路 + gan
變化:生成器g,判別器d (cony feat > 1)
dcgan結構細節
2.2 dcgan模型研究
d用作特徵提取工具
用imagenet資料訓練d,g,高效特徵表達
特徵分析:改變部分雜訊引數值
2.3 特徵研究
2.4 dcgan總結
gan同深度cnn網路結合
雜訊輸入有著重要作用,可以實現有意義運算
對輸入訊號實際意義可以有更深研究,定性輸出有可能
3.1 cgan
3.2 約束- 文字約束
3.3 約束條件是 - 生成相關4.1 infogan模型結構
GAN 生成對抗網路
原理 假設我們有兩個網路 乙個生g generator 乙個判別d discriminator g是乙個生成的的網路，它接受乙個隨機的雜訊z，通過這個雜訊生成，記做g z d是乙個判別網路，判斷一張是不是 真實的 它的輸入引數是x，x代表一張的。輸出d x 代表x為真實的概率，如果為1，就代表100...
生成對抗網路 GAN
原文 generative adversarial networks 模型組成 核心公式 演算法圖示化描述 全域性最優點 pg pdata 效果與對比展望 ming maxdv d,g exp data x logd x exp x x log 1 d g z 分析 上方為 gan 網路的核心演算法...
GAN（生成對抗網路）
gan,generative adversarial network.起源於2014年，nips的一篇文章，generative adversarial net.gan,是一種二人博弈的思想，雙方利益之和是乙個常數，是固定的。你的利益多點，對方利益就少點。gan裡面，博弈雙方是 乙個叫g 生成模型 ...