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 2 GAN与传统方法的数据填补效果
图 3 iGAN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.
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
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。
举报投诉
-
神经网络
+关注
关注
42文章
4772浏览量
100838
发布评论请先 登录
相关推荐
生成式AI工具作用
生成式AI工具是指那些能够自动生成文本、图像、音频、视频等多种类型数据的人工智能技术。在此，petacloud.ai小编为您整理生成式AI工
生成式人工智能在教育中的应用
生成式人工智能在教育中的应用日益广泛，为教育领域带来了诸多变革和创新。以下是对生成式人工智能在教育中的几个主要应用方面的详细阐述：
基于神经网络的全息图生成算法
全息图生成技术作为光学与计算机科学交叉领域的重要研究方向，近年来随着神经网络技术的飞速发展，取得了显著进展。基于神经网络的全息图生成算法，以
生成对抗网络(GANs)的原理与应用案例
生成对抗网络（Generative Adversarial Networks，GANs）是一种由蒙特利尔大学的Ian Goodfellow等人在2014年提出的深度学习算法。GANs通过构建两个
生成式AI与神经网络模型的区别和联系
生成式AI与神经网络模型是现代人工智能领域的两个核心概念，它们在推动技术进步和应用拓展方面发挥着至关重要的作用。本文将详细探讨生成式AI与神
苹果正在大量投资生成式人工智能
近日，苹果公司的CEO蒂姆·库克在公开场合透露，苹果正在对生成式人工智能领域进行大规模的投资。他预计，至今年6月的季度，公司的总收入将实现同比增长，并预计下一财季的总营收将以“低个位数”的速度稳步增长。
深度学习生成对抗网络（GAN）全解析
GANs真正的能力来源于它们遵循的对抗训练模式。生成器的权重是基于判别器的损失所学习到的。因此，生成器被它生成的图像所推动着进行训练，很难知道生成
发表于 03-29 14:42
•4603次阅读
NVIDIA生成式AI研究实现在1秒内生成3D形状
NVIDIA 研究人员使 LATTE3D （一款最新文本转 3D 生成式 AI 模型）实现双倍加速。
电信业对生成式AI的接受度与布局规模调查
电信公司正在采用 AI 和生成式 AI 来满足各种业务需求。总体而言，31% 的受访者表示，他们在 2023 年至少投资了六个 AI 用例，40% 的受访者计划在 2024 年扩展到六个或更多用例。
生成式人工智能和感知式人工智能的区别
生成新的内容和信息的人工智能系统。这些系统能够利用已有的数据和知识来生成全新的内容，如图片、音乐、文本等。生成式人工智能通常基于深度学习技术，如生成
生成式AI商业进程加速，将带动芯片需求增长
电子发烧友网报道（文/李弯弯）近日，德勤发布最新报告指出，生成式人工智能（GAI）会从商界热议的概念转变为重塑行业的现实。这将对算力产生很大的需求，从而拉动对生成式AI芯片的需求。预计
工商网监
评论