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)

这篇具有很好参考价值的文章主要介绍了深度生成模型之GAN优化目标设计与改进 ->(个人学习记录笔记)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

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

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),机器学习,生成对抗网络,学习,笔记

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),机器学习,生成对抗网络,学习,笔记

2. 梯度问题

  • 梯度消失与不稳定

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),机器学习,生成对抗网络,学习,笔记

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

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),机器学习,生成对抗网络,学习,笔记

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

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),机器学习,生成对抗网络,学习,笔记

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

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),机器学习,生成对抗网络,学习,笔记

  • Wasserstein距离等价形式

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),机器学习,生成对抗网络,学习,笔记

  • Wasserstein梯度与优化目标

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),机器学习,生成对抗网络,学习,笔记

4. WGAN-GP

  • 对Wasserstein GAN添加梯度惩罚

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),机器学习,生成对抗网络,学习,笔记

5. Boundary Equilibrium GAN(BEGAN)

  • 对判别器和生成器的能力进行均衡

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),机器学习,生成对抗网络,学习,笔记

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),机器学习,生成对抗网络,学习,笔记

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

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),机器学习,生成对抗网络,学习,笔记

  • 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。

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),机器学习,生成对抗网络,学习,笔记

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

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),机器学习,生成对抗网络,学习,笔记文章来源地址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!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • GAN的训练技巧:炼丹师养成计划 ——生成式对抗网络训练、调参和改进

    生成对抗网络(GAN:Generative adversarial networks)是深度学习领域的一个重要生成模型,即两个网络(生成器和鉴别器)在同一时间训练并且在极小化极大算法(minimax)中进行竞争。这种对抗方式避免了一些传统生成模型在实际应用中的一些困难,巧妙地通过对抗学习来近似一些

    2023年04月08日
    浏览(37)
  • 【机器学习合集】模型设计之网络宽度和深度设计 ->(个人学习记录笔记)

    在深度学习中,网络的宽度和深度是两个重要的超参数,它们对模型的性能和训练过程有重要影响。以下是有关网络宽度和深度的设计考虑: 网络宽度: 网络宽度指的是 每个层中的神经元数量 。增加宽度可以增加模型的 表示能力 ,有助于学习更复杂的模式。但要注意,增

    2024年02月08日
    浏览(31)
  • 旋转目标检测【1】如何设计深度学习模型

    平常的目标检测是 平行的矩形框 ,“ 方方正正 ”的;但对于一些特殊场景(遥感), 需要倾斜的框,才能更好贴近物体 ,旋转目标检测来啦~ 常见的水平框参数表达方式为(x,y,w,h),四个参数分别表示水平框中心的横纵坐标、宽度以及高度。常用的YOLOv5也是用这边表示方

    2024年02月06日
    浏览(47)
  • 深度学习生成对抗网络(GAN)

    生成对抗网络(Generative Adversarial Networks)是一种无监督深度学习模型,用来通过计算机生成数据,由Ian J. Goodfellow等人于2014年提出。模型通过框架中(至少)两个模块:生成模型(Generative Model)和判别模型(Discriminative Model)的互相博弈学习产生相当好的输出。生成对抗网络被认为是当

    2024年02月07日
    浏览(57)
  • 深度学习基础——GAN生成对抗网络

            生成对抗网络GAN(Generative adversarial networks)是Goodfellow等在2014年提出的一种生成式模型。GAN在结构上受博弈论中的二元零和博弈(即二元的利益之和为零,一方的所得正是另一方的所失)的启发,系统由一个生成器和一个判别器构成。         生成器和判别器均可以

    2024年02月22日
    浏览(62)
  • 深度学习(4)---生成式对抗网络(GAN)

     1. 生成式对抗网络(Generative Adversarial Network,GAN)是一种深度学习模型,是近年来复杂分布上无监督学习最具前景的方法之一。它启发自博弈论中的二人零和博弈(two-player game),两位博弈方分别由生成模型(generative model)和判别模型(discriminative model)充当。  2. 判别模

    2024年02月08日
    浏览(55)
  • 【Pytorch深度学习实战】(10)生成对抗网络(GAN)

     🔎大家好,我是Sonhhxg_柒,希望你看完之后,能对你有所帮助,不足请指正!共同学习交流🔎 📝个人主页-Sonhhxg_柒的博客_CSDN博客 📃 🎁欢迎各位→点赞👍 + 收藏⭐️ + 留言📝​ 📣系列专栏 - 机器学习【ML】 自然语言处理【NLP】  深度学习【DL】 ​  🖍foreword ✔说

    2023年04月08日
    浏览(52)
  • 生成模型 -- GAN

    生成模型与判别模型 我们前面几章主要介绍了机器学习中的判别式模型,这种模型的形式主要是根据原始图像推测图像具备的一些性质,例如根据数字图像推测数字的名称,根据自然场景图像推测物体的边界; 而生成模型恰恰相反,通常给出的输入是图像具备的性质,而输

    2024年02月11日
    浏览(40)
  • 基于GAN的图像生成模型

    这是pytorch官网的示例,记录训练GAN生成牙刷的过程,最终生成器生成牙刷的图像已经可以比较好了。 对GAN网络的训练是一个比较玄学的过程,当不收敛的时候调整学习率多尝试几次,或者动态的调整学习率。 生成器在不同阶段生成的效果 从上面的结果来看,对于生成牙刷这

    2023年04月09日
    浏览(45)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包