GAN（一）
概述GAN（Generative Adversarial Network，生成对抗网络）是一个网络框架，它通常包括两部分，生成器（generator）和判别器（discriminator）。生成器的作用是学习真实数据的分布（或者通俗地说就是学习真实数据的特征），然后自动地生成新的数据 ...
原文：【GAN】GAN设计与训练集锦
以下内容纯属经验之谈，无公式推断 部分内容源自其他博客或课程，并已标注来源。 问题篇 .模式崩溃 在某个模式 mode 下出现大量重复样本，如左图中，生成的样本分布靠得很近，较聚集，可视化如右图，表现为生成多个相同或相似度很高的样本，缺乏多样性。 .模式丢失 顾名思义，某些模式 mode 没有，同样缺乏多样性，虽然生成的样本已经尽可能拟合真实分布，分布也不聚集，但是存在某些模式的丢失，例如下图中人 ...
2020-05-29 10:23 0 884 推荐指数：
相关推荐
GAN训练技巧汇总
GAN自推出以来就以训练困难著称，因为它的训练过程并不是寻找损失函数的最小值，而是寻找生成器和判别器之间的纳什均衡。前者可以直接通过梯度下降来完成，而后者除此之外，还需要其它的训练技巧。 下面对历年关于GAN的论文提出的训练技巧进行总结，这里仅记录技巧，具体原理请直接看论文原文 ...
pytorch训练GAN时的detach()
我最近在学使用Pytorch写GAN代码，发现有些代码在训练部分细节有略微不同，其中有的人用到了detach()函数截断梯度流，有的人没用detch()，取而代之的是在损失函数在反向传播过程中将backward(retain_graph=True)，本文通过两个 gan 的代码，介绍它们的作用 ...
GAN2-训练GAN时所遇到的问题及可能的解决方法
问题1，模式坍塌（Mode collapse ） 对模式崩溃产生原因的猜想： GAN的学习目标是映射关系G：x➡y，这种单一域之间的对应关系是高度约束不足的，无法为分类器和判别其的训练提供足够的信息输入。 在这种情况下所优化得到的G可以将域X转换为与Y分布相同的域 ...
不要怂，就是GAN (生成式对抗网络) （四）：训练和测试 GAN
在 /home/your_name/TensorFlow/DCGAN/ 下新建文件 train.py，同时新建文件夹 logs 和文件夹 samples，前者用来保存训练过程中的日志和模型，后者用来保存训练过程中采样器的采样图片，在 train.py 中输入如下代码： 输入完成后 ...
【GAN】GAN的原理及推导
把GAN的论文看完了， 也确实蛮厉害的懒得写笔记了，转一些较好的笔记，前面先贴一些 原论文里推理部分，进行备忘。 GAN的解释 算法流程 GAN的理论推理 转自：https://zhuanlan.zhihu.com/p/27295635 Generative ...
GAN和GAN的改进
GAN 原始GAN中判别器要最小化如下损失函数，尽可能把真实样本分为正例，生成样本分为负例： 其中是真实样本分布，是由生成器产生的样本分布。 第一个式子我们不看梯度符号的话即为判别器的损失函数，logD(xi)为判别器将真实数据判定为真实数据的概率，log(1-D(G(zi ...
你的GAN训练得如何--GAN 的召回率（多样性）和精确率（图像质量）方法评估
生成对抗网络（GAN）是当今最流行的图像生成方法之一，但评估和比较 GAN 产生的图像却极具挑战性。之前许多针对 GAN 合成图像的研究都只用了主观视觉评估，一些定量标准直到最近才开始出现。本文认为现有指标不足以评估 GAN 模型，因此引入了两个基于图像分类的指标——GAN ...