知识卡片
BEGAN用误差分布评估
以往GAN及变种都以“生成分布尽可能接近真实分布”为目标,据此设计各种损失函数。BEGAN(边界均衡生成对抗网络,2017年)提出了新的评价方式。
核心转变:它不直接评估生成分布与真实分布之间的差距,而是评估这两个分布的误差之间的差距——只要误差分布相近,也认为两张图片是同一张的概率很高。
实现上,BEGAN把一个自编码器作为分类器,通过基于Wasserstein距离(又称Earth-Mover距离)的损失来匹配自编码器的损失分布;保持神经网络结构不变,训练中加入额外的均衡过程来平衡生成器与分类器。对两个正态分布,判别器目标是拉大距离(最大化W),生成器目标是最小化W。
优势:即使用很简单的网络、不用批归一化、不丢弃神经元、不用反卷积,也能训练出以假乱真的图片,不必担心模型崩溃与训练不平衡。
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
- AI绘画与生成对抗网络 13.3.2 通过BEGAN化繁为简 · 查看原书依据
BEGAN算法改变了这种评估概率分布的方法,它不会直接评估生成分布与真实分布之间的差距,而是评估这两个分布的误差之间的差距,换句话说只要误差分布相近,也可以认为这两张图片是同一张图片的概率很高。
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:原文说明BEGAN“不会直接评估生成分布与真实分布之间的差距,而是评估这两个分布的误差之间的差距”,并以自编码器作分类器、用Wasserstein距离匹配损失分布,支撑了“用误差分布评估可化繁为简”的结论。
- 原始内容:BEGAN算法改变了这种评估概率分布的方法,它不会直接评估生成分布与真实分布之间的差距,而是评估这两个分布的误差之间的差距,换句话说只要误差分布相近,也可以认为这两张图片是同一张图片的概率很高。