25 lines
1.6 KiB
Markdown
25 lines
1.6 KiB
Markdown
# GAN
|
||
|
||
这篇论文画风都和前面的几篇完全不一样，因为他的任务是生成，本篇文章将作为可选的拓展阅读。
|
||
|
||
比如说生成一些虚拟的 vtuber 他也是完全办得到的，首先留下经典的文章
|
||
|
||
[Generative Adversarial Networks](https://arxiv.org/abs/1406.2661)
|
||
|
||
GAN 的基本原理其实非常简单，这里以生成图片为例进行说明。假设我们有两个网络，G（Generator）和 D（Discriminator）。正如它的名字所暗示的那样，它们的功能分别是：
|
||
|
||
- G 是一个生成图片的网络，它接收一个随机的噪声 z，通过这个噪声生成图片，记做 G(z)。
|
||
- D 是一个判别网络，判别一张图片是不是“真实的”。它的输入参数是 x，x 代表一张图片，输出 D（x）代表 x 为真实图片的概率，如果为 1，就代表 100% 是真实的图片，而输出为 0，就代表不可能是真实的图片。
|
||
|
||
在训练过程中，生成网络 G 的目标就是尽量生成真实的图片去欺骗判别网络 D。而 D 的目标就是尽量把 G 生成的图片和真实的图片分别开来。这样，G 和 D 构成了一个动态的“博弈过程”。
|
||
|
||
最后博弈的结果是什么？在最理想的状态下，G 可以生成足以“以假乱真”的图片 G(z)。对于 D 来说，它难以判定 G 生成的图片究竟是不是真实的，因此 D(G(z)) = 0.5。
|
||
|
||
其实就是一个骗一个验证。
|
||
|
||
提到他我就想提到另一个算法叫 VAE，你可以对比一下两者的相同点和不同点
|
||
|
||
同时，数学推导要从极大似然估计考虑起！
|
||
|
||
[https://zhuanlan.zhihu.com/p/266677860](https://zhuanlan.zhihu.com/p/266677860)
|