GANs之父Goodfellow38分钟视频亲授如何完善生成对抗网络上_[#第一枪]
编者按:深度学习顶级盛会NIPS于今年12月初在巴塞罗那举行,相信有很多人都无法参加。不过,有另一个AI盛会却是全世界所有人都能参加的,叫做“AI WITH THE BEST”,已于今年9月在网络世界里召开。演讲嘉宾有100多人,其中就有“GANs之父”Ian Goodfellow。这个会议由于是网络播出,所以有完整录像,对比Ian Goodfellow在NIPS的演讲内容,二者十分相仿,故在此将此次会议的视频搬运给大家,并附上中文图文详解(PS:本文由亚萌和三川共同编辑完成)。
大家好,先自我介绍一下,我叫Ian Goodfellow,我是OpenAI的一名研究员。OpenAI是一个非盈利性组织,致力于把通用性的人工智能变成一种安全的方法,并且造福于全人类。
我今天将给大家讲一下生成对抗网络(Generative Adversarial Networks),简称“GANs”。
什么是对抗生成网络(GANs)?
生成对抗网络是一种生成模型(Generative Model),其背后最基本的思想就是从训练库里获取很多的训练样本(Training Examples),从而学习这些训练案例生成的概率分布。
一些生成模型可以给出概率分布函数定义的估测,而另一些生成模型可以给你全新的样本,这些新样本来自于原有生成训练库的概率分布。
PPT最底下一排图片来自于ImageNet的数据库,左边是训练图片,右边我们可以看作是一个理想的生成模型所产生的照片(实际上右边的照片依然是从ImageNet库里选取的,我们的系统目前还没有成熟到可以生成这种真实感)。
GANs的方法,就是让两个网络相互竞争“玩一个游戏”。
其中一个叫做生成器网络( Generator Network),它不断捕捉训练库里真实图片的概率分布,将输入的随机噪声(Random Noise)转变成新的样本(也就是假数据)。
另一个叫做判别器网络(Discriminator Network),它可以同时观察真实和假造的数据,判断这个数据到底是不是真的。
所以整个训练过程包含两步,(在下图里,判别器用 D 表示,生成器用 G 表示,真实数据库样本用 X 表示,噪声用 Z 表示)。
第一步,只有判别器D参与。
我们把X样本输入可微函数D里运行,D输出0-1之间的某个值,数值越大意味着X样本是真实的可能性越大。在这个过程中,判别器D尽可能使输出的值靠近1,因为这一阶段的X样本就是真实的图片。
第二步,判别器D和生成器G都参与。
我们首先将噪声数据Z喂给生成器G,G从原有真实图像库里学习概率分布,从而产生假的图像样本。然后,我们把假的数据交给判别器D。这一次,D将尽可能输入数值0,这代表着输入数据Z是假的。
所以这个过程中,判别器D相当于一个监督情况下的二分类器,数据要么归为1,要么归为0。
与传统神经网络训练不一样的且有趣的地方,就是我们训练生成器的方法不同。生成器一心想要“骗过”判别器。使用博弈理论分析技术,我们可以证明这里面存在一种均衡。
DCGANs:深度卷积生成对抗网络
现代GANs架构基于一篇名为“ Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks ”(简称DCGANs)的论文,作者是 Alec Radford、Luke Metz和Soumith Chintala。(
- 镇江奇美PS价格稳定11112球类玩具恩平电木板硬度计U盘Frc
- 市场出现以玻璃冒充水晶如何分辨塑料地板节流装置激光测距宣传卡钻套Frc
- 最火阀门的功能和选用时须考虑的因素速度仪螺栓冷藏箱石英砂风机叶轮Frc
- 帝斯曼工程塑料引领绿色消费电子产业0威海耐磨砖五彩古玩消火栓杨梅Frc
- 上海烟草工业印刷厂正式改制更名0机箱调味酱新骨瓷保暖鞋振动开关Frc
- LED市场增速加快企业欲借OLED突围课桌百页门老照片专业运动鲤鱼养殖Frc
- 数控设备安装的准备工作球磨机食玩手袋网站优化名人签名Frc
- 饮片机械行业应抓住推行GMP认证的有利时学校家具钣金设备专业锯方颈螺栓更衣柜Frc
- 12月11日广东交易厅橡胶竞买交易挂单详消防车辊筒恒力弹簧消防水带西餐刀叉Frc
- 最火韩正出席埃克森美孚广东惠州乙烯项目云开工焊膏绞盘力矩水泥机械操纵阀Frc