Improved Techniques for Training GANs（Goodfellow）

Improved Techniques for Training GANs（Goodfellow）–2016

（改进的GAN训练技术）

摘要：
我们介绍了适用于生成对抗网络（GAN）框架的各种新的体系结构功能和培训程序。 我们专注于GAN的两个应用：半监督学习和人类视觉上逼真的图像生成。 与大多数有关生成模型的工作不同，我们的主要目标不是训练对测试数据分配高可能性的模型，也不是要求模型能够在不使用任何标签的情况下很好地学习。 使用我们的新技术，我们在MNIST，CIFAR-10和SVHN的半监督分类中获得了最新的结果。 视觉图灵测试证实了生成的图像的高质量：我们的模型生成了人类无法与真实数据区分开的MNIST样本，而CIFAR-10样本产生了21.3％的人为错误率。 我们还以前所未有的分辨率展示了ImageNet示例，并表明我们的方法使模型能够学习ImageNet类的可识别特征。

介绍：
生成对抗网络[1]（GAN）是一类基于博弈论的生成模型学习方法。 GAN的目标是训练生成器网络G（z;θ（G）），该生成器网络通过将噪声z的向量转换为x = G（z;θ（G）），从数据分布pdata（x）生成样本。 G的训练信号由一个鉴别器网络D（x）提供，该鉴别器网络D（x）被训练为从真实数据中区分出生成器分布pmodel（x）中的样本。 继而训练生成器网络G，

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！