开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

GAN鉴别器中的重塑问题(Tensorflow)

GAN（Generative Adversarial Network）是一种深度学习模型，由生成器（Generator）和鉴别器（Discriminator）两个神经网络组成。生成器负责生成逼真的样本，而鉴别器则负责判断输入的样本是真实样本还是生成样本。

在GAN鉴别器中的重塑问题是指在训练过程中，鉴别器可能会出现过拟合的情况，导致其对生成样本的判断过于自信，从而影响生成器的训练效果。为了解决这个问题，可以采用以下方法：

增加噪声：在训练过程中，向真实样本和生成样本中添加噪声，使得鉴别器更难以判断样本的真实性，从而减少过拟合的可能性。
交替训练：在每一轮训练中，先更新生成器的参数，然后再更新鉴别器的参数。通过交替训练，可以使得生成器和鉴别器相互竞争，从而达到更好的训练效果。
使用标签平滑技术：在训练过程中，将真实样本的标签设置为一个小于1的值，而不是传统的1。这样可以减少鉴别器对真实样本的过度自信，从而缓解重塑问题。
增加样本多样性：通过增加训练数据集的多样性，可以使得鉴别器更难以捕捉到生成样本的规律，从而减少重塑问题的发生。

腾讯云相关产品和产品介绍链接地址：

腾讯云AI开放平台：https://cloud.tencent.com/product/ai
腾讯云机器学习平台：https://cloud.tencent.com/product/mls
腾讯云深度学习平台：https://cloud.tencent.com/product/dla
腾讯云容器服务：https://cloud.tencent.com/product/ccs
腾讯云数据库：https://cloud.tencent.com/product/cdb
腾讯云服务器：https://cloud.tencent.com/product/cvm
腾讯云存储服务：https://cloud.tencent.com/product/cos
腾讯云区块链服务：https://cloud.tencent.com/product/bcs
腾讯云物联网平台：https://cloud.tencent.com/product/iot
腾讯云移动开发平台：https://cloud.tencent.com/product/mpp
腾讯云音视频处理服务：https://cloud.tencent.com/product/mps

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

模型不收敛，训练速度慢，如何才能改善 GAN 的性能？

作为 GAN 系列的一部分，本文探讨了如何改进 GAN 的方法。尤其在如下方面，

04

可能提高GAN性能的方法介绍

生成器试图找到最好的图像来欺骗鉴别器。当两个网络互相对抗时，“最佳”图像不断变化。但是，优化可能会变得过于贪心，使其陷入永无止境的猫捉老鼠游戏中。这是模型不收敛和模式崩溃的原因之一。

04

学界 | 蒙特利尔大学Bengio团队携手多伦多大学带来最新成果：方差正则化对抗学习

AI科技评论消息，由多伦多大学与蒙特利尔大学的Karan Grewal、R Devon Hjelm、Yoshua Bengio三人近日合作发表的文章《Variance Regularizing Adversarial Learning》提出了一种方差正则化对抗学习方法（Variance Regularizing Adversarial Learning， VGAL）。相比以往的对抗生成网络（GAN），VGAL 可以使鉴别器具有更加平滑输出分布特性，并且在真样本分布与生成样本分布间设定一定的混叠区间，从而提升

05

引入秘密武器强化学习，发掘GAN在NLP领域的潜力（附公开课）

授权转载自知乎: SCUT 胡杨除了干货，我们还约了作者本人和大家聊一聊！用线上免费直播的形式，把原理和思考都讲透！还有和作者互动提问的机会哟！拉至文末即可扫码进群听课！ 1、基础：文本生成模型的标准框架文本生成（Text Generation）通过机器学习 + 自然语言处理技术尝试使AI具有人类水平的语言表达能力，从一定程度上能够反应现今自然语言处理的发展水平。下面用极简的描述介绍一下文本生成技术的大体框架，具体可以参阅各种网络文献（比如：CSDN经典Blog“好玩的文本生成”[1]），论文等。

01

苹果机器学习期刊首文：提升合成图像的真实性

选自Apple 参与：机器之心编辑部从 CoreML 到自动驾驶汽车，苹果的新技术探索在形成产品之前通常都会处于接近保密的状态，直到去年 12 月底，他们才以公司的名义发表了第一篇机器学习领域里的学术论文，介绍了自己在改善合成图像质量方面的研究。最近，这家以封闭而闻名的科技巨头突然宣布将以在线期刊的形式定期发表自己在机器学习方面的研究，而这份期刊的第一篇文章主要探讨的依然是合成图像的真实性，让我们先睹为快。苹果机器学习期刊：https://machinelearning.apple.com/ 现在，神经

普林斯顿大学教授：用理论的力量横扫深度学习（77PPT）

【新智元导读】目前深度学习的应用较为广泛，尤其是各种开源库的使用，导致很多从业人员只注重应用的开发，却往往忽略了对理论的深究与理解。普林斯顿大学教授Sanjeev Arora近期公开的77页PPT，言简意赅、深入浅出的介绍了深度学习的理论——用理论的力量横扫深度学习！（文末附PPT下载地址）

00

使用 GAN 网络生成名人照片

生成式对抗网络（GANs）是深度学习中最热门的话题之一。生成式对抗网络是一类用于无监督学习算法的人工算法，由两个神经网络组成的系统实现：

01

深度 | 生成对抗网络初学入门：一文读懂GAN的基本原理（附资源）

选自 Sigmoidal 作者：Roman Trusov 机器之心编译参与：Panda 生成对抗网络是现在人工智能领域的当红技术之一。近日，Sigmoidal.io 的博客发表了一篇入门级介绍文章，对 GAN 的原理进行了解释说明。另外，在该文章的最后还附带了一些能帮助初学者自己上手开发实验的资源（包含演讲、教程、代码和论文），其中部分资源机器之心也曾有过报道或解读，读者可访问对应链接查阅。你怎么教一台从未见过人脸的机器学会绘出人脸？计算机可以存储拍字节级的照片，但它却不知道怎样一堆像素组合才具有与人

GANs很难？这篇文章教你50行代码搞定(PyTorch)

量子位编译自Medium，作者Dev Nag，数据可视化分析平台Wavefront创始人、CTO，曾是Google、PayPal工程师。

02

GANs很难？这篇文章教你50行代码搞定(PyTorch)

作者：Dev Nag，Wavefront创始人、CTO，曾是Google、PayPal工程师。量子位编译。 2014年，Ian Goodfellow和他在蒙特利尔大学的同事们发表了一篇令人惊叹的论文，正式把生成对抗网络(GANs)介绍给全世界。通过把计算图和博弈论创新性的结合起来，GANs有能力让两个互相对抗的模型通过反向传播共同训练。模型中有两个相互对抗的角色，我们分别称为G和D，简单解释如下：G是一个生成器，它试图通过学习真实数据集R，来创建逼真的假数据；D是鉴别器，从R和G处获得数据并标记差异。

05

火热的生成对抗网络(GAN),你究竟好在哪里

自2014年Ian Goodfellow提出生成对抗网络(GAN)的概念后,生成对抗网络变成为了学术界的一个火热的研究热点,Yann LeCun更是称之为”过去十年间机器学习领域最让人激动的点子”.生成对抗网络的简单介绍如下,训练一个生成器(Generator,简称G),从随机噪声或者潜在变量(Latent Variable)中生成逼真的的样本,同时训练一个鉴别器(Discriminator,简称D)来鉴别真实数据和生成数据,两者同时训练,直到达到一个纳什均衡,生成器生成的数据与真实样本无差别,鉴别器也无法正确的区分生成数据和真实数据.GAN的结构如图1所示.

02

【干货】RL-GAN For NLP: 强化学习在生成对抗网络文本生成中扮演的角色

【导读】本文全面系统性梳理介绍了强化学习用于发掘GAN在NLP领域的潜力，请大家阅读。专知公众号转载已获知乎作者SCUT 胡杨授权。原文地址：https://zhuanlan.zhihu.com/p/2916880 1. 基础：文本生成模型的标准框架文本生成（Text Generation）通过机器学习 + 自然语言处理技术尝试使AI具有人类水平的语言表达能力，从一定程度上能够反应现今自然语言处理的发展水平。下面用极简的描述介绍一下文本生成技术的大体框架，具体可以参阅各种网络文献（比如：CSDN

07

学界 | Goodfellow点赞的相对鉴别器：表征GAN中缺失的关键因素

生成对抗网络（GAN）[Hong et al., 2017] 是生成模型的一大类别，两个竞争的神经网络——鉴别器 D 和生成器 G 在其中玩游戏。训练 D 用于分辨数据的真假，而 G 用于生成可以被 D 误识别为真数据的假数据。在 Goodfellow 等 [2014] 提出的原始 GAN（我们称之为标准 GAN，即 SGAN）中，D 是分类器，用于预测输入数据为真的概率。如果 D 达到最佳状态，SGAN 的损失函数就会近似于 JS 散度（Jensen–Shannon divergence，JSD）[Goodfellow et al., 2014]。

02

GAN笔记——理论与实现

GAN这一概念是由Ian Goodfellow于2014年提出，并迅速成为了非常火热的研究话题，GAN的变种更是有上千种，深度学习先驱之一的Yann LeCun就曾说,"GAN及其变种是数十年来机器学习领域最有趣的idea"。那么什么是GAN呢？GAN的应用有哪些呢？GAN的原理是什么呢？怎样去实现一个GAN呢？本文将一一阐述。具体大纲如下：

02

强化学习用于发掘GAN在NLP领域的潜力

本文转载自： https://mp.weixin.qq.com/s?__biz=MzUzNTA1NTQ3NA==&mid=2247484192&idx=1&sn=55070a51c19535427

03

LeCun 推荐！50 行 PyTorch 代码搞定 GAN

【新智元导读】Ian Goodfellow 提出令人惊叹的 GAN 用于无人监督的学习，是真正AI的“心头好”。而 PyTorch 虽然出世不久，但已俘获不少开发者。本文介绍如何在PyTorch中分5步、编写50行代码搞定GAN。下面一起来感受一下PyTorch的易用和强大吧。 2014年，Ian Goodfellow和他在蒙特利尔大学的同事们发表了一篇令人惊叹的论文，将GAN或称生成式对抗网络带到世界的面前。通过计算图形和游戏理论的创新组合，他们指出，给定足够的建模能力，两个相互对抗的模型能够通过普通的

07

效果逆天，谷歌最新 BEGAN 刷新计算机生成图像的质量记录

【新智元导读】谷歌公司的 Berthelot、Tom Schumm 和 Metz 本周发表论文 BEGAN（Boundary Equilibrium GAN），提出了“边界均衡 GAN” 的概念，借鉴

苹果机器学习博客解读CVPR论文：通过对抗训练从模拟的和无监督的图像中学习

苹果公司通过试验证明，使用细化后的图像进行训练可以大幅提高多种机器学习任务中模型的准确度。为了克服这种缺陷，他们制定了一种细化合成图像的方法，用以提高图像的真实度。以下是苹果公司发布在名为“Apple

09

探索生成式对抗网络GAN训练的技术：自注意力和光谱标准化

最近，生成模型引起了很多关注。其中很大以部分都来自生成式对抗网络（GAN）。GAN是一个框架，由Goodfellow等人发明，其中互相竞争的网络，生成器G和鉴别器D都由函数逼近器表示。它们在对抗中扮演不同的角色。

02

生成对抗网络综述：从架构到训练技巧，看这篇论文就够了

选自arXiv 机器之心编译参与：路雪、刘晓坤、蒋思源近日，帝国理工学院、蒙特利尔大学等研究机构共同发表论文并梳理了生成对抗网络，该论文从最基本的 GAN 架构及其变体到训练过程和训练技巧全面概述了生成对抗网络的概念、问题和解决方案。机器之心简要介绍了该论文。原 GAN（Goodfellow et al., 2014）的完整理论推导与 TensorFlow 实现请查看机器之心的 GitHub 项目与文章：GAN 完整理论推导与实现。下面，我们将为各位读者介绍该综述论文。论文地址：https://ar

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭