举个人脸生成的例子来说就是生成了一个假脸,这个假脸和训练集中的图像可能脸型相同,但是眼睛和鼻子不同,也可能是其他地方有所不同,但整体属于人脸的范畴。如果训练到完全拟合的话,最终生成的图像就会是训练集原有的图像,因为只有训练集的图像能通过验证,其他图像都不会通过验证,但实际上是不可能做到的,只要是训练就会有误差,最终会生成高度相似的假脸。
GAN(Generative Adversarial Networks)是两个网络的的组合, 一个网络生成模拟数据, 另一个网络判断生成的数据是真实的还是模拟的。生成模拟数据的网络要不断优化自己让判别的网络判断不出来, 判别的网络也要优化自己让自己判断得更准确。 二者关系形成对抗博弈,因此叫 对抗神经网络 (生成对抗网络)。实验证明, 利用这种网络间的对抗关系所形成的网络, 在无监督及半监督领域取得了很好的效果, 可以算是用网络来监督网络的一个自学习过程。在GAN发明之前,变分自编码器被认为是理论完美、实现简单,使用神经网络训练起来很稳定, 生成的逼近度也较高, 但是人类还是可以很轻易地分辨出真实与机器生成的。
生成对抗网络包含了 2 个子网络: 生成网络(Generator, G)和判别网络(Discriminator,D), 其中生成网络负责学习样本的真实分布,判别网络负责将生成网络采样的样本与真实样本区分开来。
生成网络 G(
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)