知识卡片
深度卷积GAN架构
深度卷积 GAN(DCGAN)由 Radford 等人在《使用深度卷积生成对抗网络进行无监督表示学习》中提出,把卷积网络引入 GAN 以更好处理图像。判别器类似标准分类 CNN:由卷积层加非线性层组成,最后接全连接层;示例用三层卷积,分别含 64、128、256 个 5×5 滤波器。由于生成器通常与判别器对称,判别器用卷积层把图像“解释”成数字,生成器就必须用转置卷积把噪声升采样成图像。数据重塑为 (70000, 32, 32, 1),并把 28×28 的 MNIST 零填充到 32×32 统一尺寸。实验表明 DCGAN 图像比全连接原始 GAN 更逼真。参见[[转置卷积与批量归一化]]。
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 深度卷积 GAN · 查看原书依据
卷积层已成为解决图像问题的必备条件。 使用 GAN 生成图像也不例外。 因此,Radford 等人在《使用深度卷积生成对抗网络进行无监督表示学习》提出了深度卷积生成对抗网络(DCGAN)。
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:原文以卷积层对图像问题的必要性引出 DCGAN,并给出三层卷积判别器配置,支撑以卷积改进生成图像的结论。
- 原始内容:卷积层已成为解决图像问题的必备条件。 使用 GAN 生成图像也不例外。 因此,Radford 等人在《使用深度卷积生成对抗网络进行无监督表示学习》提出了深度卷积生成对抗网络(DCGAN)。