知识卡片
判别器估计分布差异
GAN 可以从真实分布和生成分布分别采样,训练判别器区分样本。若两类样本容易区分,最优判别器的目标值反映较大差异;若分布接近,区分会更困难。原始二分类 GAN 的理想最优判别器目标与 Jensen–Shannon 散度相关,生成器试图减少这一差异。这个关系依赖判别器能力及优化等理想条件,有限训练中的判别分数不能当作精确散度。
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
- · 第8章 生成模型
原书出处 · 1 处
- 生成模型 8.4 GAN的理论介绍 · 查看原书依据
当然,我们还是需要直观地理解一下为什么目标函数的值会和散度有关. 假设和的差距很小,如图8.16 所示,蓝色的星星和红色的星星混在一起.在这里,判别器就是在训练一个0/1分类的分类器,因为这两组数据的差距很小,所以在解决这个优化问题时,很难让目标函数达到最大值. 但是当两组数据的差距很大时,也就是蓝色的星星和红色的星星并没有混在一起,就可以很轻易地把它们分开. 当判别器可以轻易地把它们分开的时候,目标函数就可以变得很大. 所以当两组数据的差距很大时,目标函数的最大值就可以很大. 当然这里面有很多的假设,例如假设判别器的分类能力为无限强.
参考来源
- 位置:《深度学习详解》第8章《生成模型》8.4(来源项目 book-source:`extracted/深度学习详解/_epub-src/OEBPS/Text/Chapter08.xhtml`)
- 结论依据:原文以样本分类和最大化目标解释分布差异,并明确指出判别能力无限等假设。
- 原始内容:当然,我们还是需要直观地理解一下为什么目标函数的值会和散度有关. 假设和的差距很小,如图8.16 所示,蓝色的星星和红色的星星混在一起.在这里,判别器就是在训练一个0/1分类的分类器,因为这两组数据的差距很小,所以在解决这个优化问题时,很难让目标函数达到最大值. 但是当两组数据的差距很大时,也就是蓝色的星星和红色的星星并没有混在一起,就可以很轻易地把它们分开. 当判别器可以轻易地把它们分开的时候,目标函数就可以变得很大. 所以当两组数据的差距很大时,目标函数的最大值就可以很大. 当然这里面有很多的假设,例如假设判别器的分类能力为无限强.