深度学习及自动驾驶应用 课件 第9、10章 生成对抗网络及自动驾驶应用、强化学习理论及自动驾驶应用实践.pptx

生成对抗网络及自动驾驶应用第九章DeepLearningAndAutonomousDriving深度学习与自动驾驶应用

DeepLearningAndAutonomousDriving深度学习与自动驾驶应用第2页9.4实践项目9.1生成式对抗网络概述9.3生成对抗网络应用9.2生成式对抗网络基本理论目录Content

DeepLearningAndAutonomousDriving深度学习与自动驾驶应用第3页9.1生成式对抗网络概述什么是对抗？在射雕英雄传中，老顽童周伯通被困在桃花岛，闲的无聊，自创了左右手互搏术，左手打右手，右手打左手，双手的武功不断精进。这就是对抗在现实世界里没有左右手互搏术，但在人工智能的世界里却有，这就是GAN，中文名字：生成对抗网络。

DeepLearningAndAutonomousDriving深度学习与自动驾驶应用第4页9.1生成式对抗网络概述生成对抗网络能干啥？2018年10月，一幅肖像画在纽约佳士得以43万美元的高价被成功拍卖作者为GAN

DeepLearningAndAutonomousDriving深度学习与自动驾驶应用第5页9.1生成式对抗网络概述生成对抗网络能干啥？如果将GAN比作一个人的话，书法、作画、谱曲，样样都可以做到精通，就像他的名字“生成对抗网络”一样，他的诞生就是为了生成、为了创作。GAN有哪些应用？

DeepLearningAndAutonomousDriving深度学习与自动驾驶应用第6页9.1生成式对抗网络概述深度学习中常见生成式模型自编码（AE）其隐变量z是一个单值映射：z=f(x)变分自编码（VAE）其隐变量z是一个正态分布的采样生成式对抗网络（GAN）条件生成式对抗网络（CGAN）在生成器和判别器中添加某一标签信息深度卷积生成式对抗网络（DCGAN）判别器和生成器都使用了卷积神经网络（CNN）来替代GAN中的多层感知机

DeepLearningAndAutonomousDriving深度学习与自动驾驶应用第7页9.1生成式对抗网络概述GAN起源GAN(GenerativeAdversarialNetworks)，中文翻译为生成式对抗网络，是IanGoodfellow等在2014年提出的一种生成式模型。GAN的基本思想源自博弈论的二人零和博弈,由一个生成器和一个判别器构成,通过对抗学习的方式来训练.目的是估测数据样本的潜在分布并生成新的数据样本。2001年，TonyJebara在毕业论文中以最大熵形式将判别模型与生成模型结合起来联合学习2007年，ZhuowenTu提出将基于boosting分类器的判别模型与基于采样的生成模型相结合，来产生出服从真实分布的样本。2012年，JunZhu将最大间隔机制与贝叶斯模型相结合进行产生式模型的学习。2014年，IanGoodfellow等人提出生成式对抗网络，迎合了大数据需求和深度学习热潮，给出了一个大的理论框架及理论收敛性分析。起源发展

DeepLearningAndAutonomousDriving深度学习与自动驾驶应用第8页9.1生成式对抗网络概述GAN的核心思想来源于博弈论的纳什均衡它设定参与游戏双方分别为一个生成器(Generator)和一个判别器(Discriminator)，生成器的目的是尽量去学习真实的数据分布，而判别器的目的是尽量正确判别输入数据是来自真实数据还是来自生成器；为了取得游戏胜利，这两个游戏参与者需要不断优化，各自提高自己的生成能力和判别能力，这个学习优化过程就是寻找二者之间的一个纳什均衡。

DeepLearningAndAutonomousDriving深度学习与自动驾驶应用第9页9.1生成式对抗网络概述

DeepLearningAndAutonomousDriving深度学习与自动驾驶应用第10页9.4实践项目9.1生成式对抗网络概述9.3生成对抗网络应用9.2生成式对抗网络基本理论目录Content

DeepLearningAndAutonomousDriving深度学习与自动驾驶应用第11页9.2生成式对抗网络基本理论生成对抗模型的特性——博弈生成器的目标：接收随机向量，生成与真实样本尽可能相似的样本。判别器的目标：接收生成器生成的样本和真实样本，尽可能地判断两者之间的真假。纳什均衡：生成器和判别器都能得到最多的好处

DeepLearningAndAutonomousDriving深度学习与自动驾驶应用第12页9.2生成式对抗网络基本理论GAN应用的一般框架随机