计算机中生成式对抗网络的研究进展及展望
2020-12-21段风磊
段风磊



摘 要:生成对抗网络(GAN)作为一种深层次的计算机学习模型,已经成为近年来神经网络领域中非常具有发展前景的一项技术模型,本文通过对相关文献的整理和查阅,首先简述了原始的生成对抗网络的组成以及其相关特征,随后基于原始网络的一些严重缺陷介绍了相关的改进网络的优化方法,最终对整篇论文进行总结,并对未来的发展进行了展望。
关键词:计算机;生成式对抗网络;图像处理;研究进展
Abstract:Generate countermeasures network(GAN,Generative Adversarial Networks)is a kind of deep-seated computer learning model,which has become a very promising technical model in the field of neural network in recent years.Through the collation and integration of relevant literature,this paper first described the composition and relevant characteristics of the original generative countermeasure network,and then introduced the relevant optimization methods of the improved network based on some serious defects of the original network.Finally,we summarize the whole paper and look forward to the future.
Key words:Computer;generative countermeasure network;image processing;research progress
1 緒论
Goodfellow基于博弈论中零和谈判的观点于2014年提出了“生成式对抗网络”这一概念,这一方法是用深度学习网以及相关模型络来验证图像真伪从而生成数据样本的。生成对抗网络目前以及成为计算机领域以及图像识别领域非常重要的方法之一,具有非常广阔的发展前景,GAN网络是不断的通过生成模型以及判别模型两者之间的竞争得到所需的数据样本的。GAN学习模型可适用多种不同情况下的数据处理分析[1]。
2 原始生成式对抗网络模型
2.1 GAN网络结构
模型分为生成模型(Generative Model)和判别模型(Discriminative Model)。下图1就是GAN模型的结构组成。
2.2 生成网络
生成器本质上是一个可微分函数,生成器接收随机变量z的输入,经生成假样本。在GAN中,生成器对输入变量z基本没有限制,z通常是一个100维的随机编码向量,z可以是随机噪声或者符合某种分布的变量。生成器理论上可以逐渐学习任何概率分布,经训练后的生成网络可以生成不和真实图像完全一样的逼真图像,实际上是生成网络学习了训练数据的一个分布,从而形成了相关的近似分布,这在数据增强应用领域方面非常的重要[2]。……
