知识卡片
GAN的图像生成流程
以图像生成为例,GAN 一次完整的训练流程由固定步骤组成。生成器先从高斯分布取出随机样本(噪声或潜在变量),输出合成图像;这些图像被送入判别器。判别器同时接收生成器产出的伪图像和真实数据集的真图像,对每张输出 0 到 1 的概率:接近 1 视为真实,接近 0 视为伪造。据此计算双方损失:生成器损失是被判为真的伪图像的交叉熵;判别器损失是伪图像判假加上真图像判真的交叉熵之和。每个周期双方各自优化以最小化自身损失;当收敛到判别器把生成图像都当作真图时,生成器训练完成,可作为最终输出。下图概括了这一数据与控制流。参见[[对抗训练的零和机制]]。
结构图:
flowchart LR
Z["随机噪声 z ~ 高斯分布"] --> G["生成器 G"]
G -->|生成图像| D["判别器 D"]
R["真实图像数据集"] --> D
D -->|真/假概率| L["损失计算"]
L -->|生成器损失| GU["更新生成器"]
L -->|判别器损失| DU["更新判别器"]
GU --> G
DU --> D
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 生成对抗网络 对抗 - 以对抗方式进行训练 · 查看原书依据
判别器输出概率,其中上限 1 表示输入图像被认为是真实的,下限 0 表示输入图像被认为是假的。 生成器的损失(成本函数)是基于判别器认为真实的伪图像的交叉熵来计算的。
参考来源
- 位置:《Python深度学习架构实用指南(初译)》第07章《生成对抗网络》(源文件:`../../book-sources/extracted/Python深度学习架构实用指南(初译)/_epub-src/OEBPS/Text/13.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:原文逐条给出生成器抽样、判别器判真判假与双方交叉熵损失的步骤,支撑用流程图概括 GAN 训练闭环的结论。
- 原始内容:判别器输出概率,其中上限 1 表示输入图像被认为是真实的,下限 0 表示输入图像被认为是假的。 生成器的损失(成本函数)是基于判别器认为真实的伪图像的交叉熵来计算的。