- Как работи загубата на GAN?
- Дали функциите за загуба на GAN наистина имат значение?
- Какво е GAN метод?
- Защо GAN е нестабилен?
Как работи загубата на GAN?
GAN, използващ загубата на Wasserstein, включва промяна на представата за дискриминатора в критик, който се актуализира по -често (напр.g. пет пъти по -често) от модела на генератора. Критикът оценява изображения с реална стойност, вместо да прогнозира вероятност.
Дали функциите за загуба на GAN наистина имат значение?
Нашият анализ показва, че функциите за загуба са успешни само ако са израдени до почти линейни. Ние също така показваме, че функциите за загуба се представят лошо, ако не са дегенерирани и че широк спектър от функции може да се използва като функция за загуба, стига да са достатъчно израдени чрез регуларизация.
Какво е GAN метод?
Генеративна състезателна мрежа (GAN) е модел на машинно обучение (ML), при който две невронни мрежи се конкурират помежду си, за да станат по -точни в прогнозите си. GAN обикновено работят без надзор и използват кооперативна рамка за игра с нулева сума за учене.
Защо GAN е нестабилен?
Фактът, че GAN са съставени от две мрежи и всяка от тях има своята функция за загуба, води до факта, че GAN по своята същност са нестабилни- потъвайки малко по-дълбоко в проблема, загубата на Generator (G) може да доведе до нестабилност на GAN , което може да бъде причина за проблема с изчезването на градиента, когато ...