幻华's Blog

Hi, nice to meet you.

  1. 1. 1. Conditional Generative Adversarial Nets
    1. 1.1. 1.1. 摘要
    2. 1.2. 1.2. 介绍
    3. 1.3. 1.3. 条件对抗网络
      1. 1.3.1. 1.3.1. 符号定义
      2. 1.3.2. 1.3.2. 知识回顾——生成对抗网络
      3. 1.3.3. 1.3.3. 直观感受
      4. 1.3.4. 1.3.4. 目标函数
      5. 1.3.5. 1.3.5. 对抗
    4. 1.4. 1.4. 实验
      1. 1.4.1. 1.4.1. 单模式——MNIST
      2. 1.4.2. 1.4.2. 多模式——MIR Flickr
    5. 1.5. 1.5. 参考资料

1. Conditional Generative Adversarial Nets

arXiv:1411.1784 [cs.LG]
tensorflow2代码:https://github.com/zhangkaihua88/ML_Paper


1.1. 摘要

在GAN的基础上引入标签y,同时使用在生成器和判别器中.
可以应用于多模态模型中。


1.2. 介绍

生成对抗网络

  • 规避了棘手的概率计算
  • 不需要使用马尔科夫链,仅使用反向传播算法去获得梯度
  • 训练时不需要推断,可以轻松的将各种因素和相互作用纳入模型

无条件生成模型无法控制生成的数据,给模型加入附加信息可以知道数据的生成


1.3. 条件对抗网络

1.3.1. 符号定义

$x$ $\rightarrow$ 真实数据
$y$ $\rightarrow$ 标签(辅助信息)
$z$ $\rightarrow$ 噪音(生成器的输入数据)
$p_x$ $\rightarrow$ 真实数据的分布
$p_{z}(z)$ $\rightarrow$ 原始噪音数据的分布
$p_g$ $\rightarrow$ 经过生成器后数据的分布
$G()$ $\rightarrow$ 生成映射函数(可微),结构为多层感知机,参数$\theta_{g}$
$D()$ $\rightarrow$ 判别映射函数(可微),结构为多层感知机,参数$\theta_{d}$
$G(z;\theta_{g})$ $\rightarrow$ 将噪音$z$映射到新的数据空间
$D(x ; \theta_{d})$ $\rightarrow$ $x$来自真实数据而不是生成数据的概率(真=1,假=0)

1.3.2. 知识回顾——生成对抗网络

生成器G,判别器D,相互对抗使目标函数,达到最优。

1.3.3. 直观感受

20200205211839.png

1.3.4. 目标函数

和原始GAN相近,只是G,D在y的条件下生成或判别

1.3.5. 对抗

生成器G通过z,y联合生成图片
判别器D在y的条件下判别G(z)
主要是在y条件下的MinMax Game


1.4. 实验

1.4.1. 单模式——MNIST

1.4.2. 多模式——MIR Flickr


1.5. 参考资料

Paper—-Conditional Generative Adversarial Nets
知乎—-《Conditional Generative Adversarial Nets》阅读笔记
CSDN—-Conditional Generative Adversarial Nets论文翻译
CSDN—-Conditional Generative Adversarial Nets论文笔记

本文作者 : 幻华(Zkher)
本文使用 署名-非商业性使用-相同方式共享 4.0 国际 (CC BY-NC-SA 4.0) 协议
本文链接 : http://www.zkhweb.top/2020/02/07/2014-Conditional-Generative-Adversarial-Nets阅读笔记/

本文最后更新于 天前,文中所描述的信息可能已发生改变