适用场景:
GAN应用于一些比如图片风格转换、噪声去除等场景,避免了损失函数设计的困难,只要有一个基准一个鉴别器,其余的对抗训练。不适用于处理离散数据,如文本,GAN存在训练不稳定、梯度消失和模态崩溃等问题。
算法思想:
GAN来源于博弈论的思想,其通过生成网络G(Generator)和判别网络D(Discriminator)不断博弈,进而使G学习到数据的分布。生成网络G的任务是,从一个随机均匀分布里采样一个噪声z,然后输出合成数据G(z);判别网络D获得一个真实数据x或者合成数据G(z)作为输入,输出这个样本为“真”的概率。 在训练的过程中,生成网络G努力地欺骗判别网络D,而判别网络D努力地学习如何正确区分真假样本,这样,两者就形成了对抗的关系,最终我们的目标就是生成网络G生成足以以假乱真的伪样本。
打个比方:在生物进化的过程中,被捕食者会慢慢演化自己的特征,从而达到欺骗捕食者的目的,而捕食者也会根据情况调整自己对被捕食者的识别,共同进化,上图中的啵啵鸟和枯叶蝶就是这样的一种关系。生成器代表的是枯叶蝶,鉴别器代表的是啵啵鸟。
GAN通过随机梯度下降法来训练D和G,有这么3个步骤:
如果用到图片生成上,则训练完成后,G可以从一段随机数中生成逼真的图像。G, D的主要功能是:
简单的总结GAN就是拥有一个Generator和一个Discriminator,其中,Generator负责生成图片,而Discrimiantor负责分辨图片真伪。
其主要流程如上图所示,首先初始化一个Generator,然后生成图片,供Discriminator判断,最终确定是否为真,最开始我们固定Dicriminator,然后训练Generator,这就有了第二代Generator,然后固定Generator,训练Discriminator,这就有了第二代Discriminator,依次迭代,到了最后,我们的discriminator无法在准确分辨我们的图像是不是Generator产生的时候,训练就结束了。
案例:
生成式对抗网络(GANs)是当今计算机科学中最有趣的概念之一,两个模型通过对抗性过程同时训练。生成器(“艺术家”)学会创建看起来真实的图像,而鉴别器(“艺术评论家”)学会区分真实图像和赝品。
在训练过程中,生成器逐渐变得更擅长创建看起来真实的图像,而鉴别器则变得更擅长区分它们。当鉴别器无法分辨真伪图像时,该过程达到平衡。
下面的动画展示了生成器在经过训练后生成的一系列图像,这些图像一开始是随机噪声,随着时间的推移越来越像手写数字。
补充说明:
算法优点
算法缺点
关于优必杰教育 | 擎课堂 | AI教学平台 | 嘉定集散地 | 余杭集散地 | 常用工具
©2017-2020 上海优必杰教育科技有限公司 · 沪ICP备17047230号-3