← 返回卡片

原书出处

深度学习详解

08 生成模型 8.5 WGAN算法

核验版本的摘录快照 · 导入于 2026-11-21T12:46:32.559Z

既然是JS散度的问题,换一种衡量两个分布之间的相似度的方式,不就可以解决这个问题了吗?于是就有了使用 Wasserstein距离的想法.Wasserstein距离背后的思想如下,假设两个分布分别为和,我们想要知道这两个分布之间的差异. 想象我们有一台推土机,它可以把这边的土堆挪到这边,那么推土机平均走的距离就是Wasserstein距离.在这个例子中,我们假设集中在一个点,集中在另一个点,对推土机而言,假设它要把这边的土堆挪到这边,那么它要走的平均距离就是,和的Wasserstein距离就是.但如果和不是集中在一个点,而是分布在一个区域内,则需要考虑所有的可能性,也就是所有的走法,然后看走的平均距离是多少,走的这个平均距离就是Wasserstein距离.Wasserstein距离也称为推土机距离(Earth Mover's Distance,EMD). Wasserstein距离的定义如图8.18 所示.

此预览只包含定位所需的摘录和上下文。

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