李宏毅2019 GAN网络 PPT 文案.docx

上次分享了ppt及ppt文案，没有通过，可能是不能分享原ppt，具体的ppt在http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML19.html 中的第十五周，有ppt格式和pdf合适，这个资源仅是这个ppt的文案，李教授授课过程中，一句一句摘抄的，仅用来学习、授课用途。 【GAN是什么】 GAN，全称为Generative Adversarial Networks（生成对抗网络），是一种深度学习模型，由Ian Goodfellow在2014年提出。GAN的核心思想是通过两个神经网络，即Generator（生成器）和Discriminator（判别器）之间的博弈来训练模型。Generator的任务是生成与训练数据相似的新样本，而Discriminator则负责判断输入样本的真实性。这两个网络在训练过程中相互竞争、共同进步。 【Generator的结构和功能】 Generator通常接收一个随机向量作为输入，这个向量通常具有较低的维度，如7维或10维。Generator作为一个映射函数，将这个低维向量转换为高维表示，例如生成一张96×96像素，包含RGB三个颜色通道的图片，其输出的维度为96×96×3。Generator的架构可以根据任务需求选择，例如对于图像生成任务，它通常包含卷积层（de-convolution layers）。 【Discriminator的结构和功能】 Discriminator接收Generator生成的图像或真实图像作为输入，并输出一个介于0和1之间的分数，表示输入样本与目标分布的相似度。分数越高，表示更接近真实样本；反之，分数越低，表示更像虚假样本。Discriminator的构建也会依据任务类型，如对于图像任务，可能包含卷积层，对于文本生成任务，可能使用循环神经网络（RNN）。 【GAN的训练过程】 训练GAN时，首先固定Generator，只训练Discriminator。Discriminator的训练目标是区分真实图像（来自数据库）和Generator产生的假图像。真实图像赋予高分（接近1），假图像赋予低分（接近0）。训练方法类似于标准的神经网络，但标签由Generator和Discriminator的交互生成。 接着，固定Discriminator，训练Generator。Generator的目标是使Discriminator无法区分其生成的图像与真实图像，即欺骗Discriminator。Generator通过反向传播（back-propagation）优化其参数，使其输出的图像能够获得Discriminator更高的评分。 在训练过程中，可以观察Generator和Discriminator的中间层（hidden layer）来获取生成的图像，以评估生成效果。整体上，GAN的训练是一个动态的、迭代的过程，两个网络互相影响，共同提升性能。 总结来说，李宏毅教授2019年的GAN网络课程讲解了GAN的基本原理、构成组件以及训练机制。通过Generator和Discriminator的互动，GAN能够学习并生成高质量的数据，如图像或文本，这一技术在计算机视觉、自然语言处理等领域有着广泛的应用。理解GAN的工作方式对于深入研究深度学习和人工智能至关重要。