生成对抗网络 4 : GAN
💡
原文英文，约1900词，阅读约需7分钟。
📝
内容提要
变分自编码器（VAE）在生成模型中存在模糊输出、潜在空间限制和模式平均等问题。生成对抗网络（GAN）通过生成器与判别器的对抗训练，克服了这些缺陷，能够生成更清晰、真实的数据，尤其在图像生成方面表现优越。
🎯
关键要点
- 变分自编码器（VAE）在生成模型中存在模糊输出、潜在空间限制和模式平均等问题。
- 生成对抗网络（GAN）通过生成器与判别器的对抗训练，克服了VAE的缺陷。
- GAN能够生成更清晰、真实的数据，尤其在图像生成方面表现优越。
- VAE的模糊输出是由于重建损失与潜在变量的正态分布之间的平衡问题。
- VAE的潜在空间限制使其无法捕捉复杂数据的细节和变化。
- VAE在处理多模态数据时容易出现模式平均，导致输出缺乏多样性。
- GAN通过生成器和判别器的竞争训练，能够生成更高质量的数据。
- GAN的生成器旨在创造能够欺骗判别器的真实数据。
- GAN的判别器负责区分真实数据和生成数据，并输出概率值。
- GAN的训练过程需要交替训练生成器和判别器，以保持平衡。
- GAN的损失函数包括生成器损失和判别器损失。
- GAN的训练过程可能不稳定，需通过添加随机噪声等方法改善稳定性。
- 当判别器过强时，生成器可能会收到弱反馈，导致训练停滞。
- 当生成器过强时，可能会导致模式崩溃，输出缺乏多样性。
- GAN的缺点包括模式崩溃、无信息损失、梯度消失和超参数敏感性。
➡️
