深度学习d8:图像分类案例2;GAN;DCGAN

图像分类案例2

与案例1不同,图像更高更宽,且尺寸不一

切分验证集,更多的图像增广操作,定义模型时采取 “微调” 的思路。

GAN

Generative Adversarial Networks (生成对抗神经网络)

  • 生成式学习:

    没有特征,给定数据集,学习这个数据集,然后生成一些数据(他们不属于这个数据集,但和这个数据集非常相似)

  • 定义:

    判定模型来 提高生成模型的能力,分类器无法分别数据到底是数据集的,还是生成器生成的。

GAN模型就是让生成器和分类器进行对抗

  • 损失函数:

    • 分类器
      分类器是一个标准的二分类,其损失函数是交叉熵函数,接近1就是真实数据集,接近0就是从生成器生成的。

    • 生成器
      从一个高斯分布随机采样,训练函数为最大化交叉熵,因为要生成更符合真实分布的数据。

  • 技巧:

    将生成器的损失函数改成min(log), 可以避免梯度消失的情况。

DCGAN

Deep Convolutional Generative Adversarial Networks
应用了深层卷积网络的GAN

  • 数据集

    要将运用totensor转换的数据进行归一化处理,从[0,1]变成[-1,1],这样才能让输出数据与输入数据的格式匹配。

  • 生成器

    有转置卷积层,可使尺寸变大,通过不同的卷积核、步长等,可把输出格式设置成自己想要的尺寸。
    有4个基本块。

  • 判别器

    是一个标准的卷积神经网络,用了Leaky Rule做激活函数,与Rule相比,不是简单地把负数变为0,而是把他变成αx。

  • 训练过程

    与GAN基本类似

深度学习d8:图像分类案例2;GAN;DCGAN深度学习d8:图像分类案例2;GAN;DCGAN RUOLAN_TJ 发布了8 篇原创文章 · 获赞 0 · 访问量 207 私信 关注
上一篇:《V8源码分析》


下一篇:D8——前端开发