前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >基础原理 | 生成对抗网络GAN解读

基础原理 | 生成对抗网络GAN解读

作者头像
公众号机器学习与AI生成创作
修改2020-08-21 15:18:23
6370
修改2020-08-21 15:18:23
举报
文章被收录于专栏:机器学习与生成对抗网络

以最大似然估计的方式来获得生成图像模型的方法,这种方法是可行的,但有比较大的约束,即模型不能太复杂,比如服从正态分布,那么通过最大似然估计的方式就可以计算出,但如果是一个非常复杂的分布,那么使用这种方式难以获得一个理想的模型,这种强制性的约束就会造成各种限制,而我们希望的是可以为任意分布,这就需要引出GAN了。

1 生成器来拟合分布

在GAN中有两个主要的组成部分,分别是生成器与判别器,这里先讨论生成器,因为通过最大似然估计的方式能以计算复杂分布的,所以GAN的方法就是直接使用一个神经网络来完成这个事情,而这个神经网络就是生成器,因为神经网络可以拟合任意的分布,所以生成器不存在最大似然估计会遇到的问题。

对于GAN中的生成器而言,它会接收一个噪音输入,这个噪音输入可以来自于正态分布、均匀分布或其他任意分布,经过生成器复杂的神经网络变换,输出的数据就可以组成一种复杂的分布,最小化这个分布与真实分布的差异则可。输入给生成器的数据其分布不用太在意,因为生成器是一个复杂的神经网络,它有能力将输入的数据“改造”成各式各样的数据分布,直观如图1所示。

图1生成器

2 判别器计算分布的差异

图2  判别器

图3 二元分类器

3 GAN的数学推导

直观的展示一下上面的公式推导,这里使用简单的二维的函数图像来简化复杂分布的表示,如图4所示.

图4 V(G,D*)

图5 求微分

图6 V(G,D)发生变化

  • 获得样本,真实样本 ,噪音样本 ,生成样本
  • 固定生成器G,训练判别器D

本文摘自于《深入浅出GAN生成对抗网络》,经出版方授权发布。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2020-08-19,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 机器学习与AI生成创作 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档