生成式对抗网络ppt课件.pptx

《生成式对抗网络ppt课件.pptx》由会员分享，可在线阅读，更多相关《生成式对抗网络ppt课件.pptx（24页珍藏版）》请在三一办公上搜索。

1、生成式对抗网络Generative Adversarial Network,-不要怂，就是GAN-,- LOGO -,June 1,2018,早期理论积累,GAN的理论及衍生模型,GAN的应用介绍,早期理论积累,生成式对抗网络,GAN起源于博弈论中的二人零和博弈（two-player game）博弈方a:生成式模型（generative model）博弈方b:判别式模型（discriminative model） 生成模型G: 捕捉样本数据的分布，用服从某一分不（均匀分布，高斯分布）的噪声z生成一个类似真实训练数据的样本，追求效果是越像真实的越好。 判别模型D：是一个二分类器，估计一个样本来自

2、训练数据（而非生成数据）的概率，如果样本来自真实的训练数据，D输出大概率，否则，D输出小概率。,生成式对抗网络-博弈论,假设猪圈里有一头大猪、一头小猪。猪圈的一头有猪食槽（两猪均在食槽端），另一头安装着控制猪食供应的按钮，按一下按钮会有10个单位的猪食进槽，但是在去往食槽的路上会有两个单位猪食的体能消耗，若大猪先到槽边，大小猪吃到食物的收益比是91；同时行动（去按按钮），收益比是73；小猪先到槽边，收益比是64。那么，在两头猪都有智慧的前提下，最终结果是小猪选择等待。,生成式对抗网络-博弈论,囚徒困境,智猪博弈,机器学习方法可以分为生成方法和判别方法，所学到的模型分别称为生成式模型和判别式模型

3、。生成方法通过观测数据学习样本与标签的联合概率分布P(X, Y)，训练好的模型能够生成符合样本分布的新数据，它可以用于有监督学习和无监督学习。判别方法由数据直接学习决策函数f(X)或者条件概率分布P(Y|X)作为预测的模型，即判别模型。,生成方法和判别方法,深度产生式模型的深度信念网络（DBN）。DBN是由一组受限玻尔兹曼机(RBMs)堆叠而成的深度生成式网络，它的核心部分是贪婪的、逐层学习的算法，这种算法可以最优化深度置信网络的权重。以无监督方式预训练的生成式模型（DBN）可以提供良好的初始点，然后通过有监督的反向传播算法微调权值,早期深层生成模型,生成对抗网络，由两个网络组成，即生成器和判

4、别器，生成器用来建立满足一定分布的随机噪声和目标分布的映射关系，判别器用来区别实际数据分布和生成器产生的数据分布。,GAN,生成模型,GAN的理论及衍生模型,请在此添加你的标题,生成式对抗网络-GAN理论,生成式对抗网络-GAN的基本框架,生成式对抗网络-如何定义损失,通过优化目标，使得我们可以调节概率生成模型的参数，从而使得生成的概率分布和真实数据分布尽量接近。 但是这里的分布参数不再跟传统概率统计一样了，这些参数保存在一个黑盒中：最后所学到的一个数据分布Pg(G)，没有显示的表达式。,生成式对抗网络-noise输入的解释,如图所示，假设我们现在的数据集是一个二维的高斯混合模型，那么这么no

5、ise就是x轴上我们随机输入的点，经过生成模型映射可以将x轴上的点映射到高斯混合模型上的点。当我们的数据集是图片的时候，那么我们输入的随机噪声其实就是相当于低维的数据，经过生成模型G的映射就变成了一张生成的图片G（x）。,优化函数的目标函数,D(x)表示判别器认为x是真实样本的概率，而1-D(G(z)则是判别器认为合成样本为假的概率。训练GAN的时候，判别器希望目标函数最大化，也就是使判别器判断真实样本为“真”，判断合成样本为“假”的概率最大化；与之相反，生成器希望该目标函数最小化，也就是降低判别器对数据来源判断正确的概率。,在训练的过程中固定一方，更新另一方的网络权重，交替迭代，在这个过程中

6、，双方都极力优化自己的网络，从而形成竞争对抗，直到双方达到一个动态的平衡（纳什均衡），此时生成模型 G 恢复了训练数据的分布（造出了和真实数据一模一样的样本），判别模型再也判别不出来结果，准确率为 50%，约等于乱猜。,生成式对抗网络-GAN的训练方法,生成模型：要最小化判别模型D的判别准确率。判别模型：要尽量最大化自己的判别准确率,生成式对抗网络-训练方法,生成式对抗网络-全局最优解和收敛性,生成式对抗网络-优点和缺点,生成式对抗网络-衍生模型 DCGAN,把有监督学习的CNN与无监督学习的GAN整合到一起提出了Deep Convolutional Generative Adversaria

7、l Networks - DCGANs，是生成器和判别器分别学到对输入图像层次化的表示。1.使用DCGANs从大量的无标记数据（图像、语音）学习到有用的特征，相当于利用无标记数据初始化DCGANs的生成器和判别器的参数，在用于有监督场景.2.表示学习representation learning的工作：尝试理解和可视化GAN是如何工作的.3.稳定训练DCGANs,生成式对抗网络-衍生模型 CGAN,1.定义：通过将额外信息y输送给判别模型和生成模型,作为输入层的一部分,从而实现条件GAN2.在生成模型中,先验输入噪声p(z)和条件信息y联合组成了联合隐层表征。条件GAN的目标函数是带有条件概率

8、的二人极小极大值博弈（two-player minimax game ）,生成式对抗网络-衍生模型 InfoGAN,InfoGAN：挖掘GAN模型隐变量特点的模型为了使输入包含可以解释，更有信息的意义，InfoGAN7的模型在z之外，又增加了一个输入c，称之为隐含输入(latent code)，然后通过约束c与生成数据之间的关系，使得c里面可以包含某些语义特征(semantic feature)，比如对MNIST数据，c可以是digit(0-9)，倾斜度，笔画厚度等。,GAN的应用领域,生成式对抗网络-计算机视觉,生成式对抗网络-计算机视觉,生成式对抗网络-图像超分辨率,生成式对抗网络-图像去雨,THANK YOU,2018.06.01,