我在b站读研究生——跟着李沐读论文1 ——Gan

目录

• 我在b站读研究生——跟着李沐读论文1 ——Gan
• 读论文
  • 标题+作者+时间+期刊+被引
  • 摘要 Abstract
  • 1 Introduction 导言
  • 2 Related work 相关工作
  • 3 Adversarial nets 模型
    • 目标函数
  • 4 Theoretical Results 理论
    • 算法
    • 4.1 global Optimality of $p_g = p_{data}$
      • proposition 1.
      • Theorem 1 .
    • 4.2 Convergence of Algorithm 1
      • Proposition 2 .
  • 5 Experiments 实验
  • 6 Advantage and disadvantage 优缺点
  • 7 Conclusions and future work 总结与展望
• 感悟与想法
• 感谢

读论文

标题+作者+时间+期刊+被引

generative adversarial Nets 生成对抗网络

作者 Ian J.Goodfellow 深度学习（花书）的作者

摘要 Abstract

我们推出了一个通过对抗过程来估计生成模型的新的结构，在这个结构中，我们同时训练两个模型：一个是探索数据分布的生成模型G，另一个则是用来估计数据是否来自训练数据而非G生成结果中概率的判别模型D，G的训练程序用来最大化D犯错误的概率。这一结构模拟了MiniMax二人博弈，在任意G和D的空间中，存在唯一的解决方案使得G能够恢复训练数据的分布情况，此时的D总等于\(1/2\)。在G和D使用多层感知机定义的情况下，整个系统可以使用反向传播进行训练。在训练或生成样本时，不需要马尔可夫链或事展开的近似推理网络，实验通过对生成样品进行定性并量化评估来证明这一框架的能力。

1 Introduction 导言

2 Related work 相关工作

3 Adversarial nets 模型

目标函数

\[min _G \ max_D V(D,G) = E_{x \sim p_{data(x)}}[logD(x)] + E_{z \sim p_{z(z)}}[log(1-D(G(z)))] \]

真实数据\(x\)分布\(p_g\) , 噪声\(z\)服从分布\(p_z(z)\)? , \(D\)表示鉴别器 ， \(G\) 表示??生成器

我们首先看为什么是\(max D\).?

我们先看公式的前一项， \(x\)??服从真实分布，当鉴别器\(D\)??的辨别能力很强时，能够把所有真实样本识别出来，标记为1，此时\(log(D(x))\)??的结果为0 。接着，看公式的后一项， \(G(z)\)??是生成器生成的伪造样本，当鉴别器\(D\)??的辨别能力很强时，能够把所有伪造样本识别出来，标记为0，此时\(log(1-D(G(z)))\)???的结果为0。但是上面的分析是假设鉴别器是很完美的情况，当不完美时，两项结果都是负数值，所以我们想要一个很好的分类器的话，我们需要求目标函数最大值。

接着看为什么是\(min G\)

上式中，伪造样本的结果只与第二项有关。当生成器能力很强时，鉴别器无法区分，则将伪造数据\(G(z)\)识别为真，即\(D(G(z))=1\)? ,则\(log(1-D(G(z)))\)?为负无穷，所以我们?想要一个很好的分类器的话，我们要求目标函数最小值。

但这个公式也存在问题。在前期，生成器能力较弱，识别器识别效果过好会导致后一项结果为0，不能继续求梯度。于是作者给出的建议是将\(log(1-D(G(z)))\)改为\(log (D(G(z)))\) ，这样的话会避免结果为1，丧失梯度，但是此时值为负无穷，也有问题。??

4 Theoretical Results 理论

算法

训练过程形象的图示

4.1 global Optimality of \(p_g = p_{data}\)

proposition 1.

\[For \ G \ fixed , the \ optimal \ discriminator \ D \ is \\ D*_G(x) = \frac{p_{data}(x)}{p_{data}(x)+p_g(x)} \ \ (2) \]

proof :

理解：如果生成器\(G\)确定下来，那么对于鉴别器D ， 它的最优解为 。我们看这个公式，这个公式就是用来检测两块数据是否是来自于同一分布。当\(p_{data}=p_g\)时，\(D=1/2\) ，分类器对于输入样本x,都输出1/2，完全无法区分，也就是两类数据来自于同一分布

Theorem 1 .

\[ \text {The global minimum of the virtual trainijng criterion C(G) is achieved if \ and \ only \ if } \\ p_g = p_{data} . \\ \text{At that point , C(G) achieves the value} \ -log4. \]

Proof

理解; 要想生成器G取得最优解，当且仅当 生成器伪造数据的分布等于真实数据的分布 。

4.2 Convergence of Algorithm 1

Proposition 2 .

\[If \ G \ and \ D \ have \ enough \ capacity, \ and \ at \ each \ step \ of \ Algorithm 1, \\ the \ discriminator \ is \ allowed \ to \ reach \ its \ optimum \ given \ G, \\ and \ p_g \ is \ updated \ so \ as \ to\ improve \ the \ criterion \\ E_{x \sim p_{data(x)}}[logD^*_G(x)] + E_{z \sim p_{z(z)}}[log(1-D^*_G(x))] \\ then \ p_g \ converges \ to \ p_{data} \]

5 Experiments 实验

6 Advantage and disadvantage 优缺点

7 Conclusions and future work 总结与展望

感悟与想法

1 根据李沐大神的描述，这个想法并不是原创的，虽然做的时候是自己做的，但是是和前人重合了。但是依然收到了广阔欢迎，是因为他教会了大家，引发了大家的兴趣。有人乐意跟随他，我们从引用数量中也可以看出这一篇文章之后有3，4万篇文章。

2 写作。摘要很简洁，因为这是原创的工作，上来就是propose a new framework 。但是我们在跟随前人工作的时候就要写清楚我们的改进在什么地方，有什么好处。

感谢

作者：杜若飞er
链接：https://www.jianshu.com/p/a7d7955512c3
来源：简书
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。