[关闭]
@pearl3344 2018-05-03T06:09:50.000000Z 字数 1043 阅读 1031

GAN,WGAN

GAN

improved trainign of wassertein gans_ nips 2017


生成对抗网络 GAN

两个网络(生成器、判别器)做游戏,
判别器D判断区别 图片是生成的图片 还是真实图片,
生成器G由噪声生成图片,试图生成的跟真的图片一样而让判别器区分不出来。

真实数据分布, 生成器生成分布,
判别器D希望真实数据的目标值大, 希望生成器生成的目标值小(批评家)即希望大。
生成器G希望判别器的目标值小。---实践中容易梯度消失


生成器G希望 生成的数据 在判断器上的目标值大。--实践中misbehave

生成器部分 最小化 判别器的目标值,相当于 最小化 真实数据分布和生成数据分布的Jensen-Shannon散度。Jensen-Shannon散度不连续难训练。

Wasserstein GAN

限制判别器为1-Lipschitz函数

相当于 最小化 真实数据分布和生成数据分布的Earth-Mover距离(Wasserstein-1)。Earth-Mover距离连续,几乎处处可微。

clip权重大小

将weights 限制在范围,保证满足是k-Lipschitz函数。

惩罚权重梯度norm

满足1-Lipschtiz限制的函数的梯度的norm几乎没点都为1。 故 加梯度惩罚项。实践中,对真实数据分布和生成器分布的连线 分布采样,保证单位梯度norm。


WGAN加梯度惩罚算法
将梯度加入目标函数,相当于需要对梯度求梯度,Hessan呢

添加新批注
在作者公开此批注前,只有你和作者可见。
回复批注