本文在架构方面的创新:
①增加注意头数量:
使用32⇥32、16⇥16和8⇥8分辨率的注意力,而不是只使用16⇥16
②使用BigGAN残差块
使用Big GAN残差块对激活进行上采样和下采样
③自适应组归一化层
将经过组归一化操作后的时间步和类嵌入到每个残差块
1,那么是如何对生成过程进行引导的?
2,那么具体来说,如何根据当前时刻xt的梯度,来调整xt?
在本文中介绍了两种算法用于分类器指导:
向分类器中输入xt,发现与真实类别匹配概率小,计算对xt的梯度,让xt以一定的包含梯度的步幅进行移动,使得匹配概率增加。其实这里有点像之前卷积神经网络中参数w更新的原理,w也是在梯度方向上移动,以此来使得loss值最小。但是这两种算法不是简单的对xt进行处理,①是对预测的均值μ进行处理,让均值μ在梯度方向上移动。②是对预测的噪声进行处理,让噪声在梯度方向上移动。另外,s可以叫做学习率,主要是控制在梯度方向上移动的步幅,和之前卷积神经网络中的w更新公式中的学习率差不多。
BigGAN残差块是什么意思?
注意力池是什么?