原书出处
深度学习详解
08 生成模型 8.1.1 生成器
与先前介绍的模型所不同的是,生成模型中的网络会被作为一个生成器(generator)使用. 具体来说,在输入时会将一个随机变量与原始输入一并输入模型,这个变量是从随机分布中采样得到的. 输入时可以采用向量拼接的方式将和一并输入,或在和长度一样时,将它们的和作为输入. 变量的特别之处在于其非固定性,即每一次我们使用网络时,都会从一个随机分布中采样得到一个新的. 通常,我们对该随机分布的要求是,它必须足够简单,可以较为容易地进行采样,或者可以直接写出该随机分布的函数,如高斯分布(Gaussian distribution)、均匀分布(uniform distribution)等.所以每次在输入的同时,我们都从随机分布中采样得到,得到最终的输出. 随着采样得到的的不同,我们得到的输出也会不一样. 同理,对于网络来说,其输出也不再固定,而变成一个复杂的分布. 我们将这种可以输出一个复杂分布的网络称为生成器,如图8.1 所示.
原书定位详情
来源:a19c7933-4eda-4176-aebd-30fe7e1ad292
正文位置:extracted/深度学习详解/_epub-src/OEBPS/Text/Chapter08.xhtml
EPUB SHA-256:35d2d4b7de742e0ce7756e7fb57c534014bf33cecdf0483a75e23cb7446cb7dc