生成对抗网络的友好介绍

到目前为止，我们一直在讨论

判别模型

将输入特征 x 映射到标签 y

并近似 P(y/x) - 贝叶斯定律。

生成模型

则相反，它们尝试

根据标签预测输入特征。

假设给定的标签是 y，我们有多大可能看到某些特征 x。 它们

近似 P(x 和 y) 的联合概率。 生成对抗网络 (GAN)

来源：O'Reilly

GAN 的组成部分：

1. 生成器 - 这是一个逆 CNN，它不是沿着 CNN 链压缩信息并在输出端提取特征，而是将随机噪声作为输入特征并在输出端生成图像。

1. 生成器

2. 鉴别器 - 鉴别器是一个 CNN，它查看来自训练集和生成器输出的图像，并将它们分类为真实 (1) 或假 (0)。

2. 鉴别器

通常，生成器和鉴别器都有反函数来优化。鉴别器试图最小化正确预测真实与假图像的交叉熵损失。生成器正在尝试最大化这个损失（试图欺骗鉴别器）。

让我们来了解一下生成器和鉴别器如何相互竞争的一些简单数学知识：

注意鉴别器的损失函数 -

1. 第一个项是训练集图像 (x) 的鉴别器输出 - 您希望鉴别器 D(x) 的输出为 1。 让我们通过对数损失的样子来检查一下 -

第一项

log(D(x) 或 1) 为 0。 因此，对于训练集图像的正确分类，对数损失将为 0。 但是，对于相反的情况 - 对于训练集图像，D(x) = 0，损失将为负无穷大。

2. 第二项 - log(1-D(G(z))，你希望判别器能够识别生成的图像 G(z) 并输出 D(G(z)) = 0。在这种情况下，损失将为 0。但是，如果它弄错了并将生成的图像视为实数 - log(0) 是负无穷大。

第二项

敬请期待更多..

参考文献：