机构名称：
¥ 1.0
在多种学习的背景下解释甘也很自然。在实际应用中，我们正在处理结构化数据，例如自然图像。此类数据的分布通常集中在低维歧管上。因此，我们可以查看GAN的目标是学习通过潜在空间参数化的数据歧管。Wasserstein Gan [1，2]的作者采用这种解释来解释为什么甘斯很难训练。直观地说，数据歧管和生成的歧管都是在高维环境空间中的低维歧管，这意味着它们几乎永远不会具有足够的重叠。在这种情况下，詹森·香农（Jensen Shannon）的差异将根据定义遇到麻烦，这说明了培训中的困难。这证明了几何观点有助于理解甘恩。
gan和可视化的几何视图-Zhizhong li
主要关键词
相关文件推荐
