機(jī)器學(xué)習(xí)GAN框架初探

閆東杰

摘要：對于機(jī)器學(xué)習(xí)，最常見的是按照數(shù)據(jù)標(biāo)簽形式劃分，可分為：監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)。本文分析研究了機(jī)器學(xué)習(xí)GAN框架。

關(guān)鍵詞：人工智能;機(jī)器學(xué)習(xí);無監(jiān)督學(xué)習(xí)

中圖分類號：TP181 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2019）06-0195-02

0 引言

對于原始的GAN網(wǎng)絡(luò)，實(shí)際上還是種生成模型，與傳統(tǒng)的生成模型不同的是，在對生成器進(jìn)行訓(xùn)練的過程中，引入判別器，并對判別器訓(xùn)練更新后，再進(jìn)行生成器的訓(xùn)練，然后通過交替訓(xùn)練，最終得到較為理想的生成器，“順便”得到一個判別能力較強(qiáng)的判別器。這樣，用一種巧妙的方法，較好解決了傳統(tǒng)生成式模型中模擬最大似然估計(jì)過程所帶來的需要訓(xùn)練復(fù)雜模型的問題。CNN（卷積神經(jīng)網(wǎng)絡(luò)）在圖片生成方面是一個較為成熟的模型，將CNN引入，對GAN框架中生成器與判別器進(jìn)行對應(yīng)的改造，得到的便為DCGAN（深度卷積生成式對抗網(wǎng)絡(luò)）。

1 原始GAN框架

GAN的一個基本的應(yīng)用是樣本生成，這里以圖片為例進(jìn)行相關(guān)的樣本生成，以此來介紹GAN框架的基本組成、模塊結(jié)構(gòu)、訓(xùn)練過程。原始GAN框架的整體模型結(jié)構(gòu)如圖1所示。

GAN框架最主要的構(gòu)成是生成器與判別器：（1）生成器。為全連接的神經(jīng)網(wǎng)絡(luò)，即多層感知機(jī)。多層感知機(jī)的參數(shù)在GAN運(yùn)行的初始階段是隨機(jī)的，其內(nèi)部各神經(jīng)元的權(quán)重、偏值，在程序化時可由初始函數(shù)進(jìn)行實(shí)現(xiàn)。這就是說，在剛開始引入的時候，并不需要對生成網(wǎng)絡(luò)進(jìn)行預(yù)先的訓(xùn)練。其通過前向傳播，盡量去模仿、建模和學(xué)習(xí)真實(shí)數(shù)據(jù)的分布規(guī)律。……