生成对抗模型(GAN)可以拆分为两个模块:一个能捕获数据分布的生成模型 G 和一个能估计数据来源于真实样本概率的判别模型 D。
本文主要说明两个问题:
① 价值函数的说明
② 最优生成器的推导
一、前言
生成对抗模型(GAN)可以拆分为两个模块:一个能捕获数据分布的生成模型 G 和一个能估计数据来源于真实样本概率的判别模型 D。
简单来说,G想通过生成的数据骗过D,D要尽力判断数据是否由*生。
具体来说,为了学习到在数据 x 上的分布 P_g,先定义一个先验的输入噪声变量 P_z(z),然后根据 G(z;θ_g) 将其映射到数据空间中,其中 G 为多层感知机所表征的可微函数。我们同样需要定义第二个多层感知机 D(s;θ_d),它的输出为单个标量。D(x) 表示 x 来源于真实数据而不是 P_g 的概率。
二、价值函数
$\Delta=b^2-4ac$