生成對抗模型

論文地址

• 有em算法思想

生成對抗網絡（GAN）由2個重要的部分構成：
生成器(Generator)：通過機器生成數據（大部分情況下是圖像），目的是“騙過”判別器
判別器(Discriminator)：判斷這張圖像是真實的還是機器生成的，目的是找出生成器做的“假數據”
主要流程：

第一階段：固定“判別器D”，訓練“生成器G”
我們使用一個還 OK 判別器，讓一個“生成器G”不斷生成“假數據”，然后給這個“判別器D”去判斷。一開始，“生成器G”還很弱，所以很容易被揪出來。但是隨著不斷的訓練，“生成器G”技能不斷提升，最終騙過了“判別器D”。到了這個時候，“判別器D”基本屬于瞎猜的狀態，判斷是否為假數據的概率為50%。

第二階段：固定“生成器G”，訓練“判別器D”
當通過了第一階段，繼續訓練“生成器G”就沒有意義了。這個時候我們固定“生成器G”，然后開始訓練“判別器D”。
“判別器D”通過不斷訓練，提高了自己的鑒別能力，最終他可以準確的判斷出所有的假圖片。到了這個時候，“生成器G”已經無法騙過“判別器D”。

循環階段一和階段二：
通過不斷的循環，“生成器G”和“判別器D”的能力都越來越強。最終我們得到了一個效果非常好的“生成器G”，我們就可以用它來生成我們想要的圖片了。

GAN算法有兩個特點：

• 是一種無監督學習算法，不需要label
• 用一個有監督學習（MLP）的損失函數來做無監督學習，算法效率會更高

總結：算法中涉及到生成模型和判別模型對抗思想，并且用到KL散度等數學知識，通過博弈來逼近最優結果。

總結

以上是生活随笔為你收集整理的GAN算法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。