深度生成模型之GAN优化目标设计与改进
原始GAN优化目标的问题
1. JS散度度量问题
- 不合适的度量准则
2. 梯度问题
- 梯度消失与不稳定
优化目标的设计与改进
1. 最小二乘损失GAN
- Least Squares GAN, 惩罚生成器生成的远离决策面的样本,即可将样本拉近决策面,从而可避免梯度消失问题
2. Energy-based GAN(EBGAN)
- 使用自编码器学习样本重建,生成器作为自编码器的正则项,更自由的目标函数,更稳定的训练
3. Wasserstein GAN
- 使用Earth-Mover距离(EM距离,推土机距离)作为优化目标,为在最优路径规划下的最小消耗
- Wasserstein距离等价形式
- Wasserstein梯度与优化目标
4. WGAN-GP
- 对Wasserstein GAN添加梯度惩罚
5. Boundary Equilibrium GAN(BEGAN)
- 对判别器和生成器的能力进行均衡
6. Loss Sensitive GAN
- 判别器被称为损失函数L_θ(x),他对来自训练数据集中的样本x应该有较小的损失数值,对来自生成器G的样本G_Φ(z)应该有比较大的损失数值
- 当生成样本与真实样本距离不够远,产生有效损失;超过一定距离,损失为常数。
文章来源:https://www.toymoban.com/news/detail-774255.html
7. Relativeistic GAN
- Relativistic判别器, “给定的真实数据”比“随机抽样的假数据”更高的概率
文章来源地址https://www.toymoban.com/news/detail-774255.html
到了这里,关于深度生成模型之GAN优化目标设计与改进 ->(个人学习记录笔记)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!