专栏首页CreateAMindWasserstein GAN:GAN稳定训练的突破

Wasserstein GAN:GAN稳定训练的突破

解决了GAN的训练不稳定问题。

In no experiment did we see evidence of mode collapse for the WGAN algorithm.

Earth Mover (EM) distance 更合适进行度量。同时增加了可调式性,debugging;训练LOSS更有意义。

比衡量KL距离好,noise增加GAN的训练稳定性并不正确虽然有效;

第二部分EM KL等距离度量进行了分析。

第三部分 介绍WGAN算法

第四部分 介绍了算法效果和优点

第五部分对其他类型的GAN训练算法进行比较分析



(正文结束)

本文分享自微信公众号 - CreateAMind(createamind)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2017-02-05

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 令人拍案叫绝的Wasserstein GAN(WGAN两篇论文的中文详细介绍)

    如阅读体验不好,可直接跳到文末阅读原文访问原文链接 https://zhuanlan.zhihu.com/p/25071913 查看。

    用户1908973
  • 广义LS-GAN(GLS(Loss-Sensitive)-GAN) :现在 LS-GAN和WGAN是这个超模型的特例了

    https://github.com/guojunq/glsgan 可以跑跑人脸生成。

    用户1908973
  • 通俗|令人拍案叫绝的Wasserstein GAN 及代码(WGAN两篇论文的中文详细介绍)

    在GAN的相关研究如火如荼甚至可以说是泛滥的今天,一篇新鲜出炉的arXiv论文Wassertein GAN 却在 Reddit 的 Machine Learni...

    用户1908973
  • 来吧!带你漫游 Wasserstein GAN 的世界!

    前言 上次带大家写了原始版的 GAN,只生成了高斯分布。但兔子哥哥发现在 GAN 论文的底下,有 GAN 生成图片的 example。 ? 因此,这足以说明...

    AI研习社
  • T2F:所述即所见,使用深度学习,文本一键生成人脸

    项目的代码可以在我的版本库获得:https://github.com/akanimax/T2F

    AI研习社
  • 基于 boosting 原理训练深层残差神经网络

    介绍一种基于提升理论的训练深度模型的新方法。基于 boosting(提升)原理,逐层训练深度残差神经网络的方法,并对性能及泛化能力给出了理论上的证明。

    丁科
  • 2019Java面试题:为什么使用hashmap需要重写hashcodes和equals方法?

    总的来说,Java中的集合(Collection)有两类,一类是List,再有一类是Set。你知道它们的区别吗?前者集合内的元素是有序的,元素可以重复;后者元素...

    葆宁
  • IO复用(Reactor模式和Preactor模式)——用epoll来提高服务器并发能力

    Aichen
  • HTML渲染过程

    我们一直在写HTML,关注的一直是界面和功能,很少考虑整个HTML的渲染过程。也是,在开发过程中确实不需要关注这方面,但是知道和理解HTML的渲染过程,对于HT...

    wade
  • 腾讯AI Lab:深度解读AI辅助翻译的研究及应用

    11月13日,深圳 - 腾讯AI Lab今日发布了一款AI辅助翻译产品 - “腾讯辅助翻译”(Transmart),可满足用户快速翻译的需求,用AI辅助人工翻译...

    腾讯技术工程官方号

扫码关注云+社区

领取腾讯云代金券