深度学习（五十四）图片翻译WGAN实验测试

标签：network   为我   href   最大   article   justify   ima   证明   需要   

图片翻译WGAN实验测试

博客：http://blog.csdn.net/hjimce/article/details/51761865

微博：黄锦池-hjimce  

WGAN相比于GAN的优点在于：具有更高的稳定性。在原始的WGAN中，作者通过一堆的理论，提出了WGAN，理论证明n多页，不过代码实现就两行：

(1)去掉了判别网络的判别的概念，在原始的GAN中，判别网络的损失函数为最大化交叉熵损失函数：

也就是说判别网络的输出是一个0~1的概率值，用于表示图片真伪的概率。

然而在WGANs中，fw的输出不需要是一个概率值，这就是为什么作者不把fw称之为判别器的原因，而是把它称作评价器，因为我们压根没有明确的进行训练图片真伪判别。所以fw中，去掉了最后一层的sigmoid激活函数，采用直接真样本与假样本的fw之差作为损失函数。当然生成网络的损失函数也跟着去掉了log

(2)判别网络fw参数裁剪，把判别网络的参数裁剪到了指定的范围-0.01~0.01之间；

(3)学习方法采用RMS；

具体伪代码如下：

为此我们利用文献《Image-to-Image Translation with Conditional Adversarial Networks》的条件对抗网络进行图片生成测试，本文主要实验WGAN和GAN在条件对抗网络中的稳定性实验，下面是原始的GAN在条件对抗网络中的实验结果：

可以看到采用原始的GAN进行训练的时候，生成的图片质量很不稳定，图片清晰度并不是随着迭代的进行，不断的提高。比如第2800次迭代、，生成的图片突然就跑偏了，变得很差，稳定性很差。接着我们看看WGAN的训练结果：

很明显，WGAN生成的过程基本很稳定。

深度学习（五十四）图片翻译WGAN实验测试

标签：network   为我   href   最大   article   justify   ima   证明   需要   

原文地址：http://blog.csdn.net/hjimce/article/details/60346089