關於GAN的一些筆記
目錄 1 Divergence 1.1 Kullback–Leibler divergence 1.2 Jensen–Shannon divergence 1.3 Wasserstein distance 2 GAN 2.1 Theory 2.2 ...
原文：關於Wasserstein GAN的一些筆記
這篇筆記基於上一篇 關於GAN的一些筆記 。 GAN的缺陷 由於 P G 和 P data 它們實際上是 high dim space 中的 low dim manifold，因此 P G 和 P data 之間幾乎是沒有重疊的 正如我們之前說的，如果兩個分布 P,Q 完全沒有重疊，那么 JS divergence 是一個常數 log 。 由於最優的 generator 是 我們在普通的 GAN ...
2020-02-22 19:19 0 848 推薦指數：
相關推薦
Wasserstein GAN
在GAN的相關研究如火如荼甚至可以說是泛濫的今天，一篇新鮮出爐的arXiv論文《Wasserstein GAN》卻在Reddit的Machine Learning頻道火了，連Goodfellow都在帖子里和大家熱烈討論，這篇論文究竟有什么了不得的地方呢？ 要知道自從2014年 ...
GAN的一些問題
GAN為什么難以訓練? 大多深度模型的訓練都使用優化算法尋找損失函數比較低的值。優化算法通常是個可靠的“下山”過程。生成對抗神經網絡要求雙方在博弈的過程中達到勢均力敵（均衡）。每個模型在更新的過程中（比如生成器）成功的“下山”，但同樣的更新可能會造成博弈的另一個模型（比如判別器）“上山 ...
Generative Adversarial Nets[Wasserstein GAN]
本文來自《Wasserstein GAN》，時間線為2017年1月，本文可以算得上是GAN發展的一個里程碑文獻了，其解決了以往GAN訓練困難，結果不穩定等問題。 1 引言 本文主要思考的是半監督學習。當我們說學習概率分布，典型的思維是學習一個概率密度。這通常是通過定義一個概率密度的參數化族 ...
使用Wasserstein GAN生成小狗圖像
一.前期學習經過 GAN(Generative Adversarial Nets)是生成對抗網絡的簡稱，由生成器和判別器組成，在訓練過程中通過生成器和判別器的相互對抗，來相互的促進、提高。最近一段時間對GAN進行了學習，並使用GAN做了一次實踐，在這里做一篇筆記記錄一下。 最初我參照 ...
Jenkins的一些筆記
公司主要要開發自己的paas平台，集成了Jenkins，真的是遇到了很多很多困難，特別是在api調用的權限這一塊，這里，把自己遇到的一些坑的解決方法做一下筆記吧。當然，首先要講的，就是如何在開啟安全的情況下進行API調用。 一、在全局安全配置中 1.1 啟用安全 如果勾選 ...