对生成对抗网络GANs原理、实现过程、应用场景的理解（附代码），另附：深度学习大神文章列表 深度学习原理.pdf
版权申诉
4星 · 超过85%的资源 96 浏览量
2022-04-13
11:03:10
上传
评论 2
收藏 898KB PDF 举报 
对⽣成对抗⽹络GANs原理、实现过程、应⽤场景的理解（附代码），另附：深
度学习⼤神⽂章列表
⽣成模型和判别模型
两个模型的对⽐
对抗⽹络思想
理解了⽣成模型和判别模型后，再来理解对抗⽹络就很直接了，对抗⽹络只是提出了⼀种⽹络结构，总体来说，整个框架还是很简单的。
GANs简单的想法就是⽤两个模型，⼀个⽣成模型，⼀个判别模型。判别模型⽤于判断⼀个给定的图⽚是不是真实的图⽚（判断该图⽚是从
数据集⾥获取的真实图⽚还是⽣成器⽣成的图⽚），⽣成模型的任务是去创造⼀个看起来像真的图⽚⼀样的图⽚，有点拗⼝，就是说模型⾃
⼰去产⽣⼀个图⽚，可以和你想要的图⽚很像。⽽在开始的时候这两个模型都是没有经过训练的，这两个模型⼀起对抗训练，⽣成模型产⽣
⼀张图⽚去欺骗判别模型，然后判别模型去判断这张图⽚是真是假，最终在这两个模型训练的过程中，两个模型的能⼒越来越强，最终达到
稳态。（这⾥⽤图⽚举例，但是GANs的⽤途很⼴，不单单是图⽚，其他数据，或者就是简单的⼆维⾼斯也是可以的，⽤于拟合⽣成⾼斯分
布。）
详细实现过程
前向传播阶段
⼀、可以有两种输⼊
1、我们随机产⽣⼀个随机向量作为⽣成模型的数据，然后经过⽣成模型后产⽣⼀个新的向量，作为Fake Image，记作D(z)。
2、从数据集中随机选择⼀张图⽚，将图⽚转化成向量，作为Real Image,记作x。
⼆、将由1或者2产⽣的输出，作为判别⽹络的输⼊，经过判别⽹络后输⼊值为⼀个0到1之间的数，⽤于表⽰输⼊图⽚为Real Image的概
率，real为1，fake为0。
使⽤得到的概率值计算损失函数，解释损失函数之前，我们先解释下判别模型的输⼊。根据输⼊的图⽚类型是Fake Image或Real Image将
判别模型的输⼊数据的label标记为0或者1。即判别模型的输⼊类型为 或者 。
判别模型的损失函数：
由于y为输⼊数据的类型，当输⼊的是从数据集中取出的real image数据时，y=1，上⾯公式的前半部分为0，只需考虑第⼆部分（后半部
分）。⼜D(x)为判别模型的输出，表⽰输⼊x为real 数据（y=1，代表是real数据）的概率，我们的⽬的是让判别模型的输出D（x）的输出
尽量靠近1。
由于y为输⼊数据的类型，当输⼊的是从数据集中取出的fake image数据时，y=0，上⾯公式的后半部分为0，只需考虑第⼀部分（前半部
分）。⼜因G（z）是⽣成模型的输出，输出的是⼀张Fake Image（y=0，表⽰输出的是fake数据）。我们要做的是让D(G(z))的输出尽可
能趋向于0。这样才能表⽰判别模型是有区分⼒的。
相对判别模型来说，这个损失函数其实就是交叉熵损失函数。计算loss，进⾏梯度反传。这⾥的梯度反传可以使⽤任何⼀种梯度修正的⽅
法。
当更新完判别模型的参数后，我们再去更新⽣成模型的参数。
给出⽣成模型的损失函数：
_webkit
- 粉丝: 30
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
VIP享7折，此内容立减3.57元 开通VIP
相关推荐
资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！
点击此处反馈
评论3
最新资源