知识卡片
原始GAN的全连接架构
原始 GAN 是最基础的形态,生成器和判别器都是全连接神经网络。生成器输入是随机样本(噪声或潜在变量);后续隐藏层是全连接层,每层单元数一般比前一层更多,把低维噪声扩展到与真实数据相同的维度。判别器接收真实或生成的数据,由单单元输出层给出判定,其隐藏层单元数逐层递减。实现以 MNIST 为例:数据从 [0,255] 缩放到 [-1,1] 并展平为 784 维;生成器用三个隐藏层(256、512、1024)配泄漏 ReLU,输出用 tanh;判别器以相反顺序的 1024、512、256 层处理,输出单个 logit。细节见[[泄漏ReLU激活函数]]与[[原始GAN的训练平衡]]。
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 原始 GAN · 查看原书依据
在最基本的 GAN 模型中,生成器和判别器都是全连接神经网络。 原始 GAN 的架构可以描述如下: 生成器的输入是来自特定分布的随机样本,我们通常将其称为噪声或潜在变量。
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:原文直接说明双方均为全连接网络并给出生成器逐层扩张、判别器逐层收缩的对称设计,支撑原始 GAN 架构结论。
- 原始内容:在最基本的 GAN 模型中,生成器和判别器都是全连接神经网络。 原始 GAN 的架构可以描述如下: 生成器的输入是来自特定分布的随机样本,我们通常将其称为噪声或潜在变量。