知识卡片
GAN的三大优势
GAN之所以在短时间内吸引大量研究者并获得大公司青睐,主要由于三点独特优势。
第一,表现效果更好、效率更高。GAN只用到了反向传播,生成器的参数更新不是直接来自数据样本,而是来自判别器的反向传播,避免了马尔可夫链的复杂计算,可直接采样和推断。
第二,设计框架十分灵活。各种类型、面向不同图像任务的损失函数都能整合进GAN框架,理论上可以训练任何一种生成器网络。
第三,能应对概率不可计算的情形。当变量随机发生概率不可计算时,依赖数据自然解释性的传统算法不再适用,而GAN靠两个网络互相促进、互相提升的机制,可逼近不容易计算的目标函数。
边界在于这些是框架层面的优势,具体效果仍依赖网络设计与训练稳定性。
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
- AI绘画与生成对抗网络 13.2.1 GAN的特点 · 查看原书依据
相比传统机器学习算法,GAN 模型的表现效果更好。因为 GAN 模型只用到了反向传播,生成器的参数更新不是直接来自数据样本,而是来自判断器的反向传播。
参考来源
- 位置:《产品经理进阶:100个案例搞懂人工智能 (林中翘)》第13章《AI绘画与生成对抗网络》(源文件:`../../book-sources/extracted/产品经理进阶:100个案例搞懂人工智能 (林中翘)/_epub-src/OEBPS/text00018.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:原文归纳的三点优势——只用反向传播而避免马尔可夫链复杂计算、框架可整合各种损失函数、能在随机概率不可计算时逼近目标函数——分别支撑了效果、灵活性与适用范围三方面的结论。
- 原始内容:相比传统机器学习算法,GAN 模型的表现效果更好。因为 GAN 模型只用到了反向传播,生成器的参数更新不是直接来自数据样本,而是来自判断器的反向传播。