深度学习基础——GAN生成对抗网络

生成对抗网络(GAN)的简介

生成对抗网络GAN(Generative adversarial networks)是Goodfellow等在2014年提出的一种生成式模型。GAN在结构上受博弈论中的二元零和博弈(即二元的利益之和为零,一方的所得正是另一方的所失)的启发,系统由一个生成器和一个判别器构成。

生成器和判别器均可以采用目前研究火热的深度神经网络构建。GAN的优化过程是一个极小极大博弈(Minimax game)问题,优化目标是达到纳什均衡,使生成器估测到数据样本的分布.

举个例子,生成器和判别器的关系就像假币制造商和警察之间的关系一样。

GAN网络结构如下图所示:

生成对抗网络(GANGenerative Adeversaial Networks)作为一种深度学习框架,是近几年来无监督学习方法最具前景的方法之一。2014年,lan Goodellow发表论文《Generative Adversaril Net》首次对GAN进行了说明描述。如图所示,GAN由两个模型组成:(1)生成模型(生成器)⑵判别模型(判别器)。在实验过程中,生成器会生成像训练图像的高仿图像,而判别器则需要判断生成器中的图像是否为真实图像。为了这个目的,生成器在每轮训练中会提高造假质量以生成更好的"假图像"来骗过判别器。判别器也需要提升判别能力来分辨是否造假。这形成了一种博弈,博弈的平衡点就是生成器生成的图像非常真实,二判别器的判别概率为50%。

生成对抗网络的应用

  • 卡通动漫图像生成
  • 图像超分辨率重建
  • 图像风格迁移
  • 从文本到图像生成

判别器与生成器模型的建立

处理数据后,需搭建GAN的网络模型;本节分别从权重初始化出发,搭建生成器、判别器和损失函数模型。

进行数据预处理后,要进行定义网络与训练模型,对应步骤为:

创建网络,创建生成器和判别器,定义损失函数与优化器,连接网络与损失函数。

生成器模型

生成器G通过图像反卷积操作将噪声图像生成目标图像,最后通过判别器来评估其接近真实图像的程度,生成器结构如图所示

建立生成器的步骤:第一步建立转置卷积函数,第二步建立批标准化函数,第三步建立GAN网络生成器模型,第四步加载预训练生成器模型,第五步实例化生成器模型。

判别器模型

判别器对生成器生成的图像进行判别,最终输出一个概率值来判断是否为真实图像。其结构如图所示

建立判别器模型步骤:第一步建立卷积函数,第二步建立GAN网络判别器模型,第三步加载预训练判别器模型,第四步实例化判别器模型。

相关推荐
Power202466626 分钟前
NLP论文速读|LongReward:基于AI反馈来提升长上下文大语言模型
人工智能·深度学习·机器学习·自然语言处理·nlp
数据猎手小k30 分钟前
AIDOVECL数据集:包含超过15000张AI生成的车辆图像数据集,目的解决旨在解决眼水平分类和定位问题。
人工智能·分类·数据挖掘
好奇龙猫35 分钟前
【学习AI-相关路程-mnist手写数字分类-win-硬件:windows-自我学习AI-实验步骤-全连接神经网络(BPnetwork)-操作流程(3) 】
人工智能·算法
沉下心来学鲁班1 小时前
复现LLM:带你从零认识语言模型
人工智能·语言模型
数据猎手小k1 小时前
AndroidLab:一个系统化的Android代理框架,包含操作环境和可复现的基准测试,支持大型语言模型和多模态模型。
android·人工智能·机器学习·语言模型
YRr YRr1 小时前
深度学习:循环神经网络(RNN)详解
人工智能·rnn·深度学习
sp_fyf_20241 小时前
计算机前沿技术-人工智能算法-大语言模型-最新研究进展-2024-11-01
人工智能·深度学习·神经网络·算法·机器学习·语言模型·数据挖掘
红客5971 小时前
Transformer和BERT的区别
深度学习·bert·transformer
多吃轻食1 小时前
大模型微调技术 --> 脉络
人工智能·深度学习·神经网络·自然语言处理·embedding
charles_vaez2 小时前
开源模型应用落地-glm模型小试-glm-4-9b-chat-快速体验(一)
深度学习·语言模型·自然语言处理