GAN·生成对抗网络——札记1

最新推荐文章于 2023-02-04 16:57:05 发布

轩卬

最新推荐文章于 2023-02-04 16:57:05 发布

阅读量302

点赞数

CC 4.0 BY-SA版权

分类专栏： GAN 文章标签：人工智能机器学习深度学习

本文链接：https://blog.csdn.net/chd_lcj/article/details/108408107

GAN 专栏收录该内容

1 篇文章

订阅专栏

生成对抗网络（GAN）由生成器和判别器组成，通过博弈学习实现无监督学习。生成器尝试制造逼真的样本欺骗判别器，而判别器试图区分真实样本和生成样本。这种技术广泛应用于图像生成、科学和游戏领域。训练过程中，先优化判别器，再优化生成器，以达到使判别器难以区分真假样本的目标。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

生成对抗网络（GAN）

Generative Adversarial Network
为了无监督学习提出的
伊恩·古德费洛等人于2014年提出

概念

是非监督式学习的一种方法，通过让两个神经网络相互博弈的方式进行学习。

组成

生成网络 Generator

deconvolutional neural network

生成网络从潜在空间（latent space）中随机取样作为输入，其输出结果需要尽量模仿训练集中的真实样本。

功能：产生模拟输出

目的：则要尽可能地欺骗判别网络

判别网络Discriminator

convolutional neural network

判别网络的输入则为真实样本或生成网络的输出，其目的是将生成网络的输出从真实样本中尽可能分辨出来。

判别器在这里是一种分类器，用于区分样本的真伪

功能：分辨输入数据是真实还是模拟的

目的：通过不断发现和反馈生成网络产生的模拟数据的不足，促进生成网络优化

最终目的：

使判别网络无法判断生成网络的输出结果是否真实，来达到生成以假乱真样本的目的

生成器判别器与样本示意图

注：图中的黑色虚线表示真实的样本的分布情况，蓝色虚线表示判别器判别概率的分布情况，绿色实线表示生成样本的分布。Z表示噪声， Z 到x 表示通过生成器之后的分布的映射情况。

使D判别器无论何种情况的识别率都趋于0.5

·假钞和警察关系画家和鉴赏家写作敌人念作朋友