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.
?...Ian Goodfellow回答:
—————————————————————————————————–
相比其他所有模型,我认为
从实际结果来看,GAN看起来能产生更好的生成样本
GAN框架可以训练任何生成网络...(在理论实践中,很难使用增强学习去训练有离散输出的生成器),大多数其他架构需要生成器有一些特定的函数形式,就像输出层必须是高斯化的....生成对抗网络(一种神经网络)的优缺点是什么?...相比玻尔兹曼机和GSNs,GANs生成实例的过程只需要模型运行一次,而不是以马尔科夫链的形式迭代很多次.