什么是Wasserstein GAN？ 简单来说，Wasserstein GAN是传统GAN的一个改进加强版，改进了传统GAN的一些不足，目前而言，是最流行的GAN变体之一。GAN的原理GAN是Generative Adversarial Network（生成对抗网络）的缩写。GAN由两部分组成，一个生成网络（generator），一个判别网络（discriminator）。生成网络生成伪造的样本，判别网络鉴别样本的真伪（即，输出一个概率，表明样本是取样自真实数据分布，还是由生成网络伪造的）。生成网络和判别网络一起训练，相互对抗，不断提升自己的能力，直到达到预期的表现。GAN的不足GAN的不足主要有4点：训练困难。GAN的训练高度依赖超参数的设置。更要命的是，GAN的损失函数无法指示生成的样本是否已经足够接近真实数据。也就是说，GAN的损失函数不能作为衡量训练进展的指标。这意味着我们无法自动化超参数调优过程，需要手工反复调优！GAN无法生成离散数据。GAN无法让我们控制生成什么样的数据。GAN的潜空间不能访问。GAN的改进条件GAN（CGAN）这个架构就是针对上述第3点不足提出的。条件GAN让我们可以指定GAN生成的数据类型（具体而言，是通过额外添加一个one-hot编码的向量输入。而双向GAN（BiGAN）则改进了上面提到的GAN的第4点不足，加入了一个编码网络，。
生成对抗网络GAN如果只训练一个网络会有效果么？ 非相关领域人士，最近刚。郑华滨：令人拍案叫绝的Wasserstein GAN ？ zhuanlan.zhihu.com 编辑于 2019-09-16 ？ 109 ？ ？ 2 条评论 ？ ？ ？ 感谢 ？
生成对抗网络(GAN)相比传统训练方法有什么优势？ 生成对抗网络(GAN)被Yann LeCun称为\"过去十年机器学习界最有趣的idea\"，从14年Ian Goodfellow提出…
GAN的discriminator，与同样结构的神经网络比，会有更好的性能吗？ GAN的generator 可以比同结构的神经网络生成更清晰的样本。那么discriminator会有更好的性质吗？比如更好…
生成对抗网络（GAN）的基本原理是什么？它有哪些实际应用？ 生成对抗网络由 Ian Goodfellow 于 2014 年提出。GAN 不是神经网络应用在无监督学习中的唯一途径，还有玻尔兹曼机（Geoffrey Hinton 和 Terry Sejnowski，1985）和自动解码器（Dana H.Ballard，1987）。三者皆致力于通过学习恒等函数 f（x）=x 从数据中提取特征，且都依赖马尔可夫链来训练或生成样本。GAN 设计之初衷就是避免使用马尔可夫链，因为后者的计算成本很高。相对于玻尔兹曼机的另一个优点是 GAN 的限制要少得多（只有几个概率分布适用于马尔可夫链抽样）。在本文中，我们将讲述 GAN 的基本原理及最流行的现实应用。GAN 原理让我们用一个比喻解释 GAN 的原理吧。假设你想买块好表。但是从未买过表的你很可能难辨真假；买表的经验可以免被奸商欺骗。当你开始将大多数手表标记为假表（当然是被骗之后），卖家将开始「生产」更逼真的山寨表。这个例子形象地解释了 GAN 的基本原理：判别器网络（手表买家）和生成器网络（生产假表的卖家）。两个网络相互博弈。GAN 允许生成逼真的物体（例如图像）。生成器出于压力被迫生成看似真实的样本，判别器学习分辨生成样本和真实样本。判别算法和生成算法有何不同？简单地说：判别算法学习类之间的边界（如判别器做的那样），而。
OLED 和 LCD 有什么区别？ 随着越来越多的手机用上了OLED屏幕，大家也开始逐渐了解起来了手机的屏幕，这篇文章呢将会用最简单的语言…
GAN中有哪些细节可以避免模式崩溃？ SN，谱归一化，可能会好一些，WGAN好像也有一些。参考：http：// wemedia.ifeng.com/66337 744/wemedia.shtml；https：// blog.csdn.net/qq_321726 81/article/details/99676858
GAN中的generator和discriminator哪个先执行？ 初始情况是一定会有一个基本的训练样本集的（有分类标签），然后训练过程如下：Step1：训练判别器。先固定生产网络的参数（如随机赋值），通过一堆输入得到输出（假样本集），然后再附加真实世界的样本（真样本集），开始训练判别器，最终使得假样本集的输出都是0，真样本集的输出都是1，得到模型DStep2：训练生成器。固定判别器的参数，训练生成网络的参数，使得生成网络的输出（假样本集）在判别器看来都是1（即认为都来自真实世界），得到模型GStep3：重复以上过程一定次数，得到最终的生成器G和D
如何自学人工智能？ https：// github.com/GokuMohandas /practicalAI/ 。Transformer模型笔记 ？ zhuanlan.zhihu.com Yuanche.Sh：真正的完全图解Seq2Seq Attention模型 ？ zhuanlan.zhihu.com 。
生成式对抗网络GAN有哪些最新的发展，可以实际应用到哪些场景中？ 我特别关注的是：如何将GAN应用到目标检测（如行人，车辆）及分割等常规任务中，目前GAN好像还没有与之结合。。https：// distill.pub/2019/gan-op en-problems/
