第六周：生成式对抗网络

一、视频学习

生成式对抗网络GAN-基础

1.背景

作者Lan Goodfellow于2014年NIPS首次提出了GAN的概念。

2.GAN案例

• 图像着色 用途：旧图像修复

• 图像超像素 用途：手机相机

• 背景模糊

• 人脸生成 用途：娱乐软件

• 帧预测、文本生成图片

• 字体变换、风格变换

3.生成模型和GAN

假设我们的生成模型是g(z)，其中z是一个随机噪声，而g将这个随机噪声转化为数据类型x，仍拿图片问题举例，这里g的输出就是一张图片。D是一个判别模型，对任何输入x，D(x)的输出是0-1范围内的一个实数，用来判断这个图片是一个真实图片的概率是多大。

核心思想：判别器区分真假样本；生成器欺骗判别器。生成器和判别器之间存在对抗的关系，这也是生成式对抗网络中对抗一词的由来。训练算法：

• 随机初始化生成器和判别器；

• 交替训练判别器D和生成器G，直到收敛；

  • 步骤1：固定生成器G，训练判别器D区分真实图像与合成图像。赋予真实图像高分，赋予合成图像低分。 只需要优化判别器， 这样以来，就可以用监督训练的方式学习一个二分类的分类器。

  

  • 步骤2：固定判别器D，训练生成器G欺骗判别器D。更新生成器的参数，使其合成的图片被生成器D赋予高分。
    

? 训练策略：

4.cGAN（条件生成式对抗网络）

5.DcGAN(深度卷积生成式对抗网络)

网络结构（判别器）使用滑动卷积（strided convolution），除了输入层，全部使用批归一化

，使用Leaky ReLu激活函数，除了最后一层，不使用全连接层。

滑动卷积、滑动反卷积：

使得判别器和生成器可以学习自己的上采样和下采样策略

批归一化：

训练更稳定

Tanh激活函数：

更快的学习到真实数据的颜色空间

训练策略

• 数据预处理：所有输入数据归一化到[-1,1]
• 激活函数：Leaky ReLu的斜率设置为0.2
• 初始化：使用均值为0，标准差为0.02的正态分布初始化网络参数
• 优化器：使用Adam优化器，学习率为0.0002，betal=0.5，beta2=0.999

二、代码练习

• GAN
• CGAN and DCGAN

第六周：生成式对抗网络

原文：https://www.cnblogs.com/Dingding03/p/13658666.html