原书出处
深度学习详解
08 生成模型 8.5 WGAN算法
WGAN实际上就是用Wasserstein距离取代JS距离. 接下来的问题是,Wasserstein 距离如何计算呢?Wasserstein距离的计算是一个最优化的问题,如图8.21 所示.这里简化过程,直接给出解决方案,也就是解图8.21中最大化问题的解,解出来以后,得到的值就是 和的Wasserstein距离.观察图8.21 中的公式,我们要找一个函数,函数可以想象成一个神经网络,这个神经网络的输入是,输出是.如果是从 采样得到的,则计算它的期望;如果是从 采样得到的,则计算它的期望,然后加上一个负号. 如果是从 采样得到的,则判别器的输出越大越好;如果是从 采样得到的,那么从生成器采样得到的输出应该越小越好.
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