生成性对抗网络 101

如下图所示，Generative Adversarial Networks（通常称为 GAN）有两个同步工作模型，用于学习和训练复杂数据，如图像，视频或音频文件：

直观地，生成器模型从随机噪声开始生成数据，但是慢慢地学习如何生成更真实的数据。生成器输出和实际数据被馈送到判别器，该判别器学习如何区分假数据和真实数据。

因此，生成器和判别器都发挥对抗性游戏，其中生成器试图通过生成尽可能真实的数据来欺骗判别器，并且判别器试图不通过从真实数据中识别伪数据而被欺骗，因此判别器试图最小化分类损失。两个模型都以锁步方式进行训练。

在数学上，生成模型G(z)学习概率分布p(z)，使得判别器D(G(z), x)无法在概率分布p(z)和p(x)之间进行识别。 GAN 的目标函数可以通过下面描述值函数V的等式来描述，（来自 https://papers.nips.cc/paper/5423-generative-adversarial-nets.pdf ）：

可以在以下链接中找到 IAN Goodfellow 在 NIPS 2016 上关于 GAN 的开创性教程：

https://arxiv.org/pdf/1701.00160.pdf.

这个描述代表了一个简单的 GAN（在文献中也称为香草 GAN），由 Goodfellow 在此链接提供的开创性论文中首次介绍： https://arxiv.org/abs/1406.2661 。从那时起，在基于 GAN 推导不同架构并将其应用于不同应用领域方面进行了大量研究。

例如，在条件 GAN 中，为生成器和判别器网络提供标签，使得条件 GAN 的目标函数可以通过以下描述值函数V的等式来描述：

描述条件 GAN 的原始论文位于以下链接： https://arxiv.org/abs/1411.1784。

应用中使用的其他几种衍生产品及其原始论文，如文本到图像，图像合成，图像标记，样式转移和图像转移等，如下表所示：

GAN 衍生物	原始文件	演示申请
StackGAN	https://arxiv.org/abs/1710.10916	文字到图像
StackGAN ++	https://arxiv.org/abs/1612.03242	逼真的图像合成
DCGAN	https://arxiv.org/abs/1511.06434	图像合成
HR-DCGAN	https://arxiv.org/abs/1711.06491	高分辨率图像合成
有条件的 GAN	https://arxiv.org/abs/1411.1784	图像标记
InfoGAN	https://arxiv.org/abs/1606.03657	风格识别
Wasserstein GAN	https://arxiv.org/abs/1701.07875 https://arxiv.org/abs/1704.00028	图像生成
耦合 GAN	https://arxiv.org/abs/1606.07536	图像转换，域适应
BEGAN	https://arxiv.org/abs/1703.10717	Image Generation
DiscoGAN	https://arxiv.org/abs/1703.05192	风格转移
CycleGAN	https://arxiv.org/abs/1703.10593	Style Transfer

让我们练习使用 MNIST 数据集创建一个简单的 GAN。在本练习中，我们将使用以下函数将 MNIST 数据集标准化为介于[-1，+ 1]之间：

def norm(x):
  return (x-0.5)/0.5

我们还定义了 256 维的随机噪声，用于测试生成器模型：

n_z = 256
z_test = np.random.uniform(-1.0,1.0,size=[8,n_z])

显示将在本章所有示例中使用的生成图像的函数：

def display_images(images):
 for i in range(images.shape[0]):  plt.subplot(1, 8, i + 1)
        plt.imshow(images[i])
        plt.axis('off')
    plt.tight_layout()
    plt.show()

生成性对抗网络 101

生成性对抗网络 101

results matching ""

No results matching ""