生成式对抗网络(GAN, Generative Adversarial Networks )是一种深度学习模型
GAN两个核心模块
GAN核心是两个模块。
1.生成器模块 --generator
2.判别器模块--desciminator
GAN通俗原理解释
为了通俗的解释GAN原理,可以类比为伪造货币的例子(这个比方纯粹为了解释)
现在有个伪造货币的任务。
你有一堆真实的货币,一个可以不断提高鉴别能力的鉴定货币真伪的设备,还有一个可以提高伪造能力的伪造货币的设备。
1.我们继续不断的强化鉴定设备的 鉴定能力,尽全力让他能将真币识别为真币,将价比识别为价币。(鉴定结果是一个0到1之间的概率。越接近0,说明鉴定结果越是假币)
2.我们让伪造设备不断的伪造假币,将假币真币混合在一起,交给鉴定设备鉴定。根据鉴定结果(概率),我们不断改善伪造设备,使伪造的假币被鉴定为真的概率持续提高。
现在形成了矛与盾的局面。一个伪造货币设备,和鉴定货币真伪设备的持续较量,两者都不断的从对抗中吸取经验、教训,提高自己。
两者不断的对抗,两者的能力都持续不断的提高,最终我们得到了一个货币鉴定专家,一个伪造货币天才,而且这个伪造货币天才,学习能力超级强。将它制造的假币和真币混在一起之后,我们这个鉴定专家,已经区分不出来,都认为是真的货币 了。
那么,现在伪造货币设备伪造的货币,在市面上就可以认为是真的了。因为,我们那个高级的鉴别设备,都已经无法区分他是否是真的,更不要说其他普通的鉴定设备了。
GAN原理总结
如上所述,GAN生成式对抗网络的原理即:在一个不断提高判断能力的判断器的持续反馈下,不断改善生成器的生成参数,直到生成器生成的结果能够通过判断器的判断。
欢迎转载,转载请注明出处。欢迎沟通交流: [email protected])
原文地址:https://www.cnblogs.com/panfengde/p/10016181.html
时间: 2024-11-03 10:59:42