在之前的一篇文章中,我引入了GAN模型,应用于深层假象,人工智能的钓鱼. GAN模型的工作原理表明,你可以用GAN模型创建任何东西. 然而,GAN模式仍有问题需要解决. 让我们看看GAN模型有什么。
如果您点击图像, 您可以看到 GAN 帖子 。
[发电机的问题]
如上所述，GAN模型分为一个发电机和一个判别器。
发电机通过Minmax游戏学习. Minmax Game是一款在最大损失情况下将损失最小化的游戏。在这里，最大损失情况意味着判别器学会了完美地识别真实数据和假数据。
这里存在一个前提问题：训练完成前，无法先取得完美判别器，因此GAN训练中理想化极小极大博弈的相关假设并不完全成立。
如果判别器可靠地与最佳解决方案趋同，没有问题，但如果没有，生成器也不会与最佳解决方案趋同。
换句话说，为了使建筑师创造出一个形象，判别器必须具备良好的能力，但当判别器的能力下降时，建筑师的能力也会下降。
［模型振荡］
在学习GAN模式的过程中，判别器和生成器轮流进行敌对的学习，互相学习，在这种情况下可能会出现问题。
判别器与生成器的训练可能相互抵消，导致双方反复变化却无法收敛至全局解，这种现象称为振荡。
[模式崩溃]
最常见的问题是模式崩溃。 如果学习数据的分布分布在许多地方,这是一件好事. 事实上,由于学习数据是多模式的,因此在学习GAN模型时就出现了这个问题,其中多模式意味着有几种模式.
例如,假设您有一张0在纸上的手写图像,一张1在纸上的手写图像,两张2在纸上的手写图片,一张3在纸上的手写图像. 如果你使用这些图像来学习GAN模型,你可以看到有四种模式.
如果使用这些图像来学习GAN模型,构建器可能通过偏差自己来进行学习,只偏重给定输入的四个模式之一. 这被称为模式崩溃 。
通过实际学习一个GAN,用四个模式的一组数据，可以看到只有同一个数字(例如. 2张纸上的手写图像)继续生成。就建筑师而言，任何使用的图像数量只会被判别器欺骗。
判别器不完善、模型振荡或两者同时出现时，模式坍塌可能加剧，使生成器只能学习训练数据分布的一部分。
[决
确保生成器和判别器适当平衡，并形成一个稳定的全球解决方案，是GAN模式需要解决的。 为了解决这个问题，提出了许多模式。
本文基于发表时的情况撰写。如需就具体事项咨询，请联系IPLEX。