네트워크 (GAN) 두 가지 중요한 부분으로 구성에 대해 생성 :
G 발전기 (제너레이터 ) 시스템을 통해 데이터 (대부분의 경우 화상)을 생성하여 상기 "속일"판별 목적
차별 D (차별이 ) :이 이미지를 판단하는 것은 생성 된 실제 또는 기계, 목적은 "가짜 데이터"를 할 수있는 빌더를 식별하는 것입니다
네트워크에 대한 작동 중에 생성 :
첫번째 단계 : 고정 판별 D, 트레이닝 발생기 G
판별 D는 결정에 초기화 판별 D는 발전기 G 끊임없이 "잘못된 데이터"생성되도록하고 간다.
스타트는 발전기 G는 쉽게 거짓이라고 판정 할 수 있고, 또한 매우 약하다.
그러나 지속적인 교육, 발전기 G와 함께 능력을 향상하고, 궁극적으로 판별 D. 바보
이 경우, D는 기본적으로 상태를 추측 결정되고, 이는 거짓 데이터의 확률이 50 %인지의 여부를 판정한다.
두번째 단계 : 고정 발생기 G, D 훈련 분류
첫 번째 단계를 통과 할 때, 우리는 이해가되지 않습니다 기차 발생기 G를 계속합니다. 필요한 시간은 발전기 G를 해결하고 판별 D. 훈련 시작
지속적인 교육을 통해 차별 D 식별 할 수있는 능력을 향상시키기 위해, 궁극적으로 그는 정확하게 모든 거짓 사진을 확인할 수 있습니다.
이 시간까지, 발전기 G는 판별 D.을 속일 수 없었다
사이클 무대와 무대 두
연속 순환 및 발전기 G의 판별 D의 용량을 통해 성장하고있다.
결국 우리는 아주 좋은 효과 발생기 G, 우리는 우리가 사진을 원하는 생성하는 데 사용할 수 있어요.
GAN지도 및 식의 작품에 대한 설명
도가 검은 점선은 실제 데이터 인 녹색 점선은 데이터를 생성하고, 동작 발생기 G, 푸른 점선은 , D는 효과 판정은 판정 화학식이다 :
상기 P 데이터 값 (X)이 1 (TRUE 데이터 분배) P로 간주 될 수 G > (녹색 점선) 때문에, 사이클에 접근하는 데이터 분배를 생성 할 때 고려되는 결정 - (X)의 상기 발전기는 상기 식 * 0.5 D (x)의 값을 결정하지 않을 때있다.
X와 Z 사이의 관계는 실제 데이터와 상기 생성 된 매핑 관계 데이터이다.
에서는 제너 적대적 네츠 원작자 함수식의 손실을 준다 :
우리는이 공식을 이해할 수있다 :
분류 기준 갭 발생기는 가능한 한 작게 데이터와 실제 데이터를 생성 할 수있는 최대 데이터를 생성하는 결정한다. 이 판정은 판정되는 동안 공정 사이클에서 향상된 가깝게 실제 데이터 용량 발전기의 생산 능력을 증가이다.
판별 모델 D :
발전기 모델 G :
D 1 (X)는 그것이 0, D가되는 다수의 워드의 값을 가지고, 바람직하게는 1이고, 실제 데이터 판정 값 2 (G (Z)) 데이터 식별 값을 생성이 판별이 발생 된 것으로 판정 소망하는 데이터는, 그래서 0으로 기대합니다. 모델을 생성 할 때, 그것은 발전기 D 바람직하다 그래서, 생성되는 판별 데이터를 판별 나오지 않는 것이 바람직하다 (2) (G (Z))는 1이다.
장점과 발생 대립 네트워크 단점
장점 :
- 데이터 D로부터 결정된 레이블 광범위한 손실을 요구하지 않는다
- 그것은 가까운 자율 학습, 기차에 사용되는 많은 양의 데이터를 생성
- 수 및 깊이 신경 네트워크
단점 :
- 유도하지 않고 직접 데이터를 생성
- 발전기, 충족 일반적인 훈련 어려운에게로 판별 필요
- 실패하는 경향이 훈련
블로그 포스트에서 인용 된 다음 http://xiaoqiang.me/?p=4592는 , 향후 작업에 대한 액세스를 용이하게 할 수 있도록하려면
당신은 "관심 간스 알고리즘 경우 간스에게 동물원 에있는 거의 모든 알고리즘을보고". 우리는 모든 사람을위한 알고리즘의 숫자에서 10 개의 대표적인 알고리즘을 집어
| 연산 |
명제 |
코드 |
| BOTH |
||
| DCGAN |
||
| CGAN |
||
| CycleGAN |
||
| Cogan은 |
||
| ProGAN |
||
| Wgan |
||
| SAGAN |
||
| BigGAN |