深度学习--课件--第七章-深度生成对抗网络.pptxVIP

第七章深度生成对抗网络7.1基本原理7.2GAN网络设计7.3GAN的模型改进7.4GAN在图像中的应用——DCGANof451

7.1基本原理第七章深度生成对抗网络of4521．历史发展生成对抗网络（GANs,generativeadversarialnetworks）是由IanGoodfellow等人在2014年的GenerativeAdversarialNetworks一文中提出。Facebook的人工智能主管YannLecun对其的评价是：“机器学习在过去10年中最有趣的想法”。GANs的潜力巨大，因为它们可以学习模仿任何数据分布。也就是说，GANs经过学习后，可以创造出类似于我们真实世界的一些东西，比如：图像、音乐、散文等等。从某种意义来说，它们是“机器人艺术家”，有些确实能够让人印象深刻。美国《麻省理工科技评论》评选的2018年“全球十大突破性技术”：给所有人的人工智能（云端AI）、对抗性神经网络、人造胚胎、“基因占卜”、传感城市、巴别鱼耳塞、完美的网络隐私、材料的量子飞跃、实用型3D金属打印机、零碳排放天然气发电

第七章深度生成对抗网络of4537.1基本原理2.基本原理GAN使用神经网络来指导神经网络，思想非常奇特。仿佛两个武术初学者，从零基础开始，互相对决、相互讨论、共同进步，最后一同达到武学顶峰。这不仅是机器学习想达到的理想结果，也是人类想要达到的最终结果。生成式对抗网络的核心思想是博弈论中的二元论和博弈。

第七章深度生成对抗网络of4547.1基本原理2.基本原理GAN结构：主要包括一个生成器G和一个判别器D。生成器G是一个生成数据的网络，它接收一个随机的噪声z，并通过这个噪声生成数据G(z)；判别器D是一个判别网络，用来判别输入数据是不是“真实的”。它的输入参数是生成器生成的数据或真实数据x，输出D(x)代表x为真实图片的概率，如果为1，就代表判别为真实的数据，而输出为0,就代表判别为不真实的数据，即为假的数据。

第七章深度生成对抗网络of4557.1基本原理2.基本原理GAN就是通过生成网络G（Generator）和判别网络D（Discriminator）不断博弈，进而使G学习到数据的分布。其学习过程就是生成器G和判别器D的极大极小博弈的过程。判别器D是为了更准确地区分G(z)和x，并且识别出生成数据和真实数据，把判别后的输出概率二分化，就是让判别器输出的真实数据D(x)的概率尽可能最大，而判别器输出的生成数据D(G(z))的概率尽可能最小。生成器G的作用就是使自己生成的数据尽可能与真实数据一致，让判别器D无法区分。因此判别模型和生成模型的性能在它们互相竞争、互相对抗的过程中不断提高，最理想的结果就是D(G(z))与真实数据的表现D(x)相同，此时G和D到最优。

第七章深度生成对抗网络of4567.1基本原理2.基本原理2.基本原理GAN就是通过生成网络G（Generator）和判别网络D（Discriminator）不断博弈，进而使G学习到数据的分布，如果用到图片生成上，则训练完成后，G可以从一段随机数中生成逼真的图像。Z是随机输入的数据网络生成图像x真实图像

第七章深度生成对抗网络of4577.1基本原理GAN训练过程中真实分布和生成分布的动态演化，对抗网络的训练过程实际上是生成数据的分布不断拟合真实数据的分布的过程。

7.1基本原理7.2GAN网络设计第七章深度生成对抗网络7.3GAN的模型改进7.4GAN在图像中的应用——DCGANof458

第七章深度生成对抗网络of4597.2GAN网络设计生成式对抗网络的创新性在当时引起了极大的轰动，到底什么是呢？生活中我们想要提高自己的某种能力，通常会选择什么方式呢？效率最高的方式也许是选择一个比你更加厉害的人进行对弈，通过和他对弈以提高自已能力。因为在对弈的过程中，你会思考和分析自己的缺陷以及如何改进才能在下一次击败对手。

第七章深度生成对抗网络of4510GAN网络的训练是判别网络和生成网络的对抗和博弈过程生成网络：用于生成数据，根据输入给定噪声生成数据，生成让判别网络难以区分真伪的数据判别网络：用于判断数据是生成的还是真实的，而判别网络则尽可能能区分其输入数据的真伪性，训练过程：是将两个网络不断地做对抗，固定一个网络的同时训练另外一个网络，重复这个过程，直到生成网络最终可以产生与真实