gan的學習是乙個二人博弈問題，最終目標是達到納什平衡。對抗指的是生成網路和判別網路的互相對抗。生成網路盡可能生成逼真樣本，判別網路則盡可能去判別該樣本是真實樣本，還是生成的假樣本。示意圖如下：
生成器盡量去生成一種合理的資料分布,可以理解為真實的資料, 從而讓判別器無法判別樣本究竟來自何方, 兩者的訓練, 一般來說, 是交替進行的, 生成器的loss通過其生成的資料輸入d來進行評估, 一般就是交叉熵 0or1, 0表示判別器識別出了這個樣本來自假樣本, 另一方面, 判別器也要盡量的去學習, 去分辨真假樣本,gan的目標也是優化2個分布的js散度
原始gan的目標優化函式如下：
\[\min\limits_ \max\limits_=e_}\quad[\log(d(x))]+e_}[1-\log(d(g(z))]
\]目標是最小化g，最大化d：
\[\max\limits_=e_}\quad [\log(d(x))]+e_}[1-\log(d(g(z))]
\]d最大話意味著：d要盡可能的識別真樣本d(x)和假樣本d(g(z)), 即將真樣本識別為1，假樣本識別為0，否則第一部分的公式將趨於負無窮，第二部分也將趨於負無窮：
\[d(x)\uparrow\space\rightarrow\space\log(d(x))\uparrow
\]\[d(g(z))\downarrow\space\rightarrow\space\log(d(g(z)))\downarrow\space\rightarrow\space 1-\log d(g(z))\downarrow
\]\[\min\limits_=e_}\quad [\log(d(x))]+e_}[1-\log(d(g(z))]
\]因為第一項是沒有用的(d部分)，所以等價於
=>\(\max\limits_=e_}[\log(d(g(z))]\)
\[d_=\frac}+p_}
\]此處也解釋了為什麼當d的loss為0.5是認為是最優的d
g的目標就是生成和真實資料一樣的分,故g的最優情況為：
\[p_ = \frac+p_}
\]\[p_=p_
\]tf2**連線
關於多型實現的一些問題
首先多型實現必須依賴於兩個條件 1 子類重寫父類的虛函式 2 必須通過基類的指標或者引用來呼叫虛函式 實現多型的機制是通過虛函式表 函式指標的指標陣列 來實現的，虛表的最後是乙個nullptr 虛表的構建過程 1 子類拷貝父類的虛表 2 進行重寫過的函式指標進行相同偏移量位置的替換 3 將新增的虛函...
String 一些問題
前言 等號 對於基本型別，比較的是值，對於引用型別，比較的是記憶體位址。1.在物件池中建立，如果常量池中已經存在則返回常量池中已經有的。private static void test1 結果 true 2.乙個在string pool中，乙個在堆中。private static void test...
C 一些問題
1 if else語句和switch case語句的效率分析對比 switch效率高。switch的效率與分支數無關，當只有分支比較少的時候，if效率比switch高，因為switch有跳轉表。分支比較多，那當然是switch 根據大量的實際程式測試 不考慮不同的編譯器優化程度差異，假設都是最好的優...