图片逼真ls(Least Squares)gan 最小二乘GAN

CreateAMind

发布于 2018-07-24 17:36:55

5200

发布于 2018-07-24 17:36:55

文章被收录于专栏：CreateAMind

https://arxiv.org/abs/1611.04076

https://github.com/wiseodd/generative-models

https://github.com/255BITS/HyperGAN#ls-gan

在 L2 损失（L2 loss）中，与 w（即上例图中 Pdata(X) 的回归线）相当远的数据将会获得与距离成比例的惩罚。因此梯度就只有在 w 完全拟合所有数据 x 的情况下才为 0。如果生成器 G 没有没有捕获数据流形（data manifold），那么这将能确保辨别器 D 服从多信息梯度（informative gradients）。