关于对生成式对抗网络的研究.doc

《关于对生成式对抗网络的研究.doc》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、关于对生成式对抗网络的研究　　博弈中的一名玩家称为生成器,它的主要工作是生成样本,并尽量使得其看上去与训练样本一致.。另外一名玩家称为判别器,它的目的是准确判断输入样本是否属于真实的训练样本.一个常见的比喻是将这两个网络想象成伪钞制造者与警察.GAN的训练过程类似于伪钞制造者尽可能提高伪钞制作水平以骗过警察,而警察则不断提高鉴别能力以识别伪钞.随着GAN的不断训练,伪钞制作者与警察的能力都会不断提高。　　　　图1生成式对抗网络　　相比以往的生成模型,GAN模型具有以下几点明显的优势:一是数据生成的复杂度与维度线性相关,对于

2、较大维度的样本生成,仅需增加神经网络的输出维度,不会像传统模型一样面临指数上升的计算量;二是对数据的分布不做显性的限制,从而避免了人工设计模型分布的需要;三是GAN生成的手写数字,人脸,CIFAR-10等样本较VAE,PixelCNN等生成模型更为清晰.　　　　图2GAN与传统方法的数据填补效果　　　　图3iGAN的生成样例　　GAN突出的生成能力不仅可用于生成各类图像和自然语言数据,还启发和推动了各类半监督学习和无监督学习任务的发展.结合GAN,研究者在数据填报,图像翻译,数据合成,模仿学习等诸多方面取得了突破性的进展.

3、　　　　图4图对图翻译　　　　图5使用GAN合成数据训练机械臂　　然而,原始GAN模型也存在许多问题,包括收敛困难,无法生成离散数据,难以评价等.本文对GAN近年来的发展进行了综述,对GAN在生成机制,判别机制两方面的改进进行了介绍,并梳理了其应用领域.在此基础上,本文还探讨了GAN与平行思想的关系.　　　　图6本文组织结构