导图社区 生成模型
生成网络GAN模型的较为详细介绍，分享了无监督学习、生成模型、模型分类、经典网络的知识，希望这份脑图会对你有所帮助。
社区模板帮助中心，点此进入>>
互联网9大思维
组织架构-单商户商城webAPP 思维导图。
域控上线
python思维导图
css
CSS
计算机操作系统思维导图
计算机组成原理
IMX6UL(A7)
考试学情分析系统
生成模型
无监督学习
数据
无标签
获取成本低
目标
找出隐含在数据里的模式或者结构
例子
聚类
k-means
降维
主成分分析
特征学习
自编码
密度估计
给定训练集，产生与训练集同分布的新样本
无监督学习里的核心问题
典型思路
显示密度估计
定义并求解Px
隐式密度估计
学习模型P，无需显式定义
模型分类
PixelRNN/CNN
利用链式准则将图像x的生成概率转变为每个像素生成概率的乘积
很复杂，所以需要神经网络来建模
·
特点
优点
似然函数可以精确计算
利用似然函数的值可以有效评估模型性能
缺点
序列产生很慢
Variational Autoencoder（VAE）
自编码利用重构来训练低维的特征来表示
变分编码器VAE
假定
输入z是一个向量，服从正态分布
z的每一维表示一个属性
生成模型的一种主要方法
可以计算q（z|x)，这个特征表示可以用在其他许多任务中
最大似然化函数的下边界能够有效工作，但模型本身没有PixelCNN好评估
与GAN相比产生的样本较为模糊，质量较低
GAN生成对抗模型
问题
希望从训练样本分布中采样新数据，但是这个分布不仅维度高而且很复杂，难以直接实现
解决
对一个简单的分布采样，如均匀分布；然后学习一种映射将其变换到训练样本分布
组成
生成网络
期望产生尽量真实的图片，进而骗过判别器
判别网络
期望能够准确区分真假图片
采用minimax方式联合训练
交替完成
判别器
生成器
可视化
让生成的伪样本尽可能逼近真实样本的分布，让判别器处于真假不分的状态
经典网络
卷积生成对抗网络DCGAN
在训练过程中状态稳定，有效实现高质量图片的生成
规则（经验性）
使用卷积替代池化层
去除全连接层
使用批归一化
使用恰当的激活函数
生成网络使用ReLU、输出层使用Tanh
判别器使用LeaklyReLU
GAN优化问题LSGAN、WGAN
当生成样本和真实样本不重叠时，JS散度始终为log2
LSGAN目标函数
将sigmod函数改变为线性回归函数
WGAN
距离衡量
推土机距离
使得网络向想要的方向进行训练
条件GAN
存在标签一对多的问题，传统神经网络的输出结果和每个训练结果都尽量相近，导致生成的图像非常模糊，甚至无法分辨
期望输出内容是多样的，是可以被控制的
目标函数
实现方案
cGAN
SGAN
ACGAN（常用）
Lc为分类损失，Ls为判别真假损失
infoGAN
控制隐变量，使其有明确的物理定义
文本到图像
StackGAN
图像到图像
iGAN
Pix2Pix
cycleGAN
StarGAN
一个网络生成五种风格
