【计算机视觉实践22】基于GAN模型的时尚衣服生成.pptxVIP

1;GenerativeAdversarialNetworks(GANs)

Generative学习一个生成式模型

Adversarial使用对抗的方法训练

Networks使用神经网络

通过对抗的方式去学习数据分布的生成式模型

GAN的核心思想

通过生成网络G(Generator)和判别网络D(Discriminator)不断博弈，

来达到生成类真数据的目的

;GAN的思想启发自博弈论中的零和游戏，包含一个生成网络G和一个判别网络D

G是一个生成式的网络，它接收一个随机的噪声Z，通过Generator生成假数据Xfake?

D是一个判别网络，判别输入数据的真实性。它的输入是X，输出D(X)代表X为真实数据的概率

训练过程中，生成网络G的目标是尽量生成真实的数据去欺骗判别网络D。而D的目标就是尽量辨别出G生成的假数据和真数据。这个博弈过程最终的平衡点是纳什均衡点;GAN的潜力巨大，因为它们能去学习模仿任何数据分布，因此，GANs能被教导在任何领域创造类似于我们的世界，比如图像、音乐、演讲、散文。在某种意义上，他们是机器人艺术家，他们的输出令人印象深刻，甚至能够深刻的打动人们。;43.25万美元(约300万人民币)，成交。;ImageSynthesis图像合成;两个都需要训练，而且彼此依赖，怎么办？

--锁定一个，训练另一个;锁定D