详细内容或原文请订阅后点击阅览
Inception分数的近似度作为评价标准
合成数据的邻域作为评估标准的初始分数的邻近性一文首先出现在走向数据科学上。
来源:走向数据科学简介
近年来，生成对抗网络（GAN）在自动图像合成方面取得了令人瞩目的成果。然而，客观评估生成数据的质量仍然是一个开放的挑战。与存在既定指标的判别模型不同，生成模型需要能够测量所生成样本的视觉质量和多样性的评估标准。
第一个使用的指标是初始分数 (IS)。基于预先训练的 Inception 网络的预测，Inception 分数提供了对生成模型生成真实且语义上有意义的图像的能力的定量估计。
在本文中，我们分析了该参数背后的想法以及理解其有效性的方法，分析了导致使用其他评估指标的局限性。
1. 什么是生成对抗网络（GAN）
网络可以定义为深度学习框架，给定初始数据分布（训练集），允许生成具有与初始分布类似特征的新数据（合成数据）。
通常，为了抽象GAN的概念，我们可以参考“伪造者和艺术批评家”的比喻。伪造者（生成器）的目标是绘制与真实数据（训练集）尽可能相似的图片（合成数据）。另一方面，艺术评论家（鉴别器）的目的是区分哪些画是伪造者画的，哪些是真实的。你可以想象，伪造者的最终目的是欺骗艺术评论家，或者更确切地说，画出艺术评论家认为是真实的图片。
在早期阶段，造假者不知道如何欺骗批评者，因此后者相对容易识别赝品。但一步一步地，由于批评者的反馈，伪造者将能够认识到自己的错误并加以改进，直到达到他的目的。
将此比喻转化为实际术语，GAN 由两个代理组成：