知识卡片
InfoGAN的潜在条件变量
InfoGAN(信息最大化生成对抗网络)形式上类似 CGAN:双方都接收附加条件变量 c(如标签),都试图学习同一条件分布 P(X | z, c),关键区别在条件变量的处理。CGAN 视其为已知,训练时显式喂给判别器;InfoGAN 假设它未知且潜在,需依据数据推断,判别器负责推导后验 P(c | X)。因为不必事先提供 c,它可被赋予任何与数据相关的含义,不限于标签:可以是笔画宽度、旋转角度或风格,也可同时含多个变量,既有分类标签也有连续潜变量。这让模型在无监督下自动发现可解释的特征维度。对比见[[条件GAN的可控生成]]。
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 InfoGAN · 查看原书依据
CGAN 认为条件变量是已知的。 因此,在训练期间将条件变量显式馈送到判别器。 相反,InfoGAN 假设条件变量是未知的且是潜在的,我们需要根据训练数据来推断条件变量。
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:原文对比 CGAN 的已知条件与 InfoGAN 的潜在条件并由判别器推导后验,支撑无监督推断可解释特征维度的结论。
- 原始内容:CGAN 认为条件变量是已知的。 因此,在训练期间将条件变量显式馈送到判别器。 相反,InfoGAN 假设条件变量是未知的且是潜在的,我们需要根据训练数据来推断条件变量。