码迷,mamicode.com
首页 > 其他好文 > 详细

生成对抗网络

时间:2019-11-24 17:58:11      阅读:89      评论:0      收藏:0      [点我收藏+]

标签:class   随机   大量   mamicode   图片   技术   利用   参数   更新   

基本思想

技术图片

  • 生成器
    • 从先验分布中采得随机信号,经过神经网络变换,得到模拟样本
  • 判别器
    • 接受来自生成器的模拟样本,也接受来自实际数据集的真实样本,并进行判断

训练过程

  • 训练判别器:先固定生成器\(G(\cdot)\),然后利用生成器随机模拟产生样本\(G(z)\)作为负样本,并从真实数据集采样正样本\(X\);将这些正负样本输入\(D(\cdot)\)中,根据判别器的输出和样本标签来计算误差;利用误差反向传播算法更新判别器参数
  • 训练生成器:先固定判别器\(D(\cdot)\),然后利用当前生成器\(G(\cdot)\)随机模拟产生样本\(G(z)\),并输入到判别器中;根据判别器的输出\(D(G(z))\)和样本标签来计算误差;利用误差反向传播算法更新生成器参数
  • 交替优化,直至收敛

GANs的值函数

避开大量概率推断计算

  • 初衷:
    • 解决概率生成模型的估计问题
  • GANs在刻画概率生成模型时,并不对概率密度函数直接建模,而是通过制造样本\(x\),间接体现分布

生成对抗网络

标签:class   随机   大量   mamicode   图片   技术   利用   参数   更新   

原文地址:https://www.cnblogs.com/weilonghu/p/11923070.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!