李宏毅GAN学习笔记(01)

2024-08-27 06:48
文章标签 学习 笔记 01 李宏毅 gan

本文主要是介绍李宏毅GAN学习笔记(01),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

GAN Lecture 1


Yann LeCun: Adversarial training is the coolest thing since sliced bread.

Outline

  • Basic Idea of GAN
  • GAN as Structured Learning
  • Can Generator Learn by Itself?
  • Can Discriminator Generate?
  • A Little Bit Theory

Basic Idea of GAN

Generation

image_1d6ver5ijgik1qb19iq17aff3v1p.png-170.4kB

Generation: it is a neural network or a function.

image_1d6vf27p01uo3b0mek2jbn0i26.png-82.2kB

input vector: each dimension of input vector represents some characterstics.

image_1d6vfd5e41soj7q8oug1ivqoqf3j.png-211.7kB

Discriminator

Discriminator: it is a neural network or a function.

image_1d6vffv2b1hdqc7t1ds919m61vsh40.png-116.8kB

output scalar: large value means real, smaller value means fake.

image_1d71d0nln1pln1b6jukgvuq1bb39.png-154.5kB

GAN Algorithm


  • Initialize generator and discriminator

  • In each training iteration:

    Step 1: fix generator G, and update discriminator D
    image_1d71dmph567nq9h1pip1css537m.png-270.6kB

    Step 2: fix discriminator D, and update generator G
    image_1d71dvcq1358qop1nhobvj13vq26.png-183.7kB


Initialize θ d \theta_d θd for D and θ g \theta_g θg for G

  • In each training iteration:

    • Sample m examples { x 1 , x 2 , … , x m } \{ x^1, x^2, \dots, x^m \} {x1,x2,,xm} from database
    • Sample m noise samples { z 1 , z 2 , … , z m } \{ z^1, z^2, \dots, z^m \} {z1,z2,,zm} from a distrubution
    • Obtaining generated data { x ~ 1 , x ~ 2 , … , x ~ m } ,   x ~ i = G ( z i ) \{ \widetilde{x}^1, \widetilde{x}^2, \dots, \widetilde{x}^m \}, \, \widetilde{x}^i=G(z^i) {x 1,x 2,,x m},x i=G(zi)
    • Update discriminator parameters θ d \theta_d θd to maximize
      • V ~ = 1 m ∑ i = 1 m l o g D ( x i ) + 1 m ∑ i = 1 m l o g ( 1 − D ( x ~ i ) ) \widetilde{V}=\frac{1}{m}\sum^m_{i=1}logD(x^i)+\frac{1}{m}\sum^m_{i=1}log(1-D(\widetilde{x}^i)) V =m1i=1mlogD(xi)+m1i=1mlog(1D(x i))
      • θ d ← θ d + η ▽ V ~ ( θ d ) \theta_d \gets \theta_d+\eta\bigtriangledown_{\widetilde{V}(\theta_d)} θdθd+ηV (θd)

    Learning D

    • Sample m noise samples { z 1 , z 2 , … , z m } \{z^1, z^2, \dots, z^m \} {z1,z2,,zm} from a distribution
    • Update generator parameters θ g \theta_g θg to maxmize
      • V ~ = 1 m ∑ i = 1 m l o g ( D ( G ( z i ) ) ) \widetilde{V}=\frac{1}{m}\sum_{i=1}^mlog(D(G(z^i))) V =m1i=1mlog(D(G(zi)))
      • θ g ← θ g + η ▽ V ~ ( θ g ) \theta_g\gets\theta_g+\eta\bigtriangledown_{\widetilde{V}(\theta_g)} θgθg+ηV (θg)

    Learning G

GAN as Structured Learning

image_1d71g9i98v8b675smdq7f142633.png-208.8kB

image_1d71gfn38r1f4s1cvl1a2v1im13g.png-205kB

image_1d71gij86ogcvot1res1hfeodk3t.png-256kB

Structured Learning Approach

  • Bottom Up: Learn to generate the object at the component level

    缺乏大局观

  • Top Down: Evaluating the whole object, and find the best one

B o t t o m    U p + T o p    D o w n ⇒ G A N Bottom \; Up + Top \; Down \Rightarrow GAN BottomUp+TopDownGAN

image_1d71gl4dtnc11ckqeij1smcsh14a.png-172.4kB

Can Generator Learn by Itself?

image_1d71i9fpaf251pn14dg1u94c634n.png-307.2kB

image_1d71ish3fov11j182oo133qf754.png-359.9kB

若使用Auto-Encoder技术作为Generator,那么需要更深的网络结构。

Can Discriminator Generate?

image_1d71j8v7h145mpgrqb9ot3voa5u.png-258.8kB

image_1d71jbs62f8r1aq64qg18fcpp66r.png-214.5kB

Discriminator – Training

  • General Algorithm
    • Given a set of positive example, randomly generate a set of negative examples.
  • In each iteration
    • Learn a discriminator D that can discriminate positive and negative examples.
    • Generate negative examples by discriminator D: x ~ = a r g m a x x ∈ X D ( x ) \widetilde{x}=arg max_{x\in X}D(x) x =argmaxxXD(x)

image_1d71jps1ihgi3s41lfu1cema6j78.png-286.2kB

Generator v.s. Discriminator

  • Generator
    • Pros:
      • Easy to generate even with deep model.
    • Cons:
      • Imitate the appearance.
      • Hard to learn the correlation between components.

  • Discriminator
    • Pros:
      • Considering the big picture.
    • Cons:
      • Generation is not always feasible, especially when your model is deep.
      • How to do negative sampling?

Discriminator + Generator – Training

  • General Algorithm
    • Given a set of positive example, randomly generate a set of negative examples.
  • In each iteration
    • Learn a discriminator D that can discriminate positive and negative examples.
    • Generate negative examples by discriminator D: x ~ = a r g m a x x ∈ X D ( x )   ⇔   G → x ~ \widetilde{x}=arg max_{x\in X}D(x) \,\Leftrightarrow\, G\to\widetilde{x} x =argmaxxXD(x)Gx

image_1d71jvp5n12gj1jm315hk1upp1u1t7l.png-302kB

image_1d71k1iotr2k1ansvgl6gg1dcf82.png-190.8kB

这篇关于李宏毅GAN学习笔记(01)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1110935

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

hdu 2602 and poj 3624(01背包)

01背包的模板题。 hdu2602代码: #include<stdio.h>#include<string.h>const int MaxN = 1001;int max(int a, int b){return a > b ? a : b;}int w[MaxN];int v[MaxN];int dp[MaxN];int main(){int T;int N, V;s

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

线性代数|机器学习-P36在图中找聚类

文章目录 1. 常见图结构2. 谱聚类 感觉后面几节课的内容跨越太大,需要补充太多的知识点,教授讲得内容跨越较大,一般一节课的内容是书本上的一章节内容,所以看视频比较吃力,需要先预习课本内容后才能够很好的理解教授讲解的知识点。 1. 常见图结构 假设我们有如下图结构: Adjacency Matrix:行和列表示的是节点的位置,A[i,j]表示的第 i 个节点和第 j 个