GAN的discriminator，與同樣結構的神經網路比，會有更好的性能嗎？

01-27

GAN的generator 可以比同結構的神經網路生成更清晰的樣本。
那麼discriminator會有更好的性質嗎？比如更好的embedding?更高的accuracy。

性能上肯定不會的，然而作為pretrain model用於finetune，或許有額外效果。

考慮到gan模型其實更關注local feature而非泛化性的，用於fine grained task或許有提升，基於這個思路往下做，可能會是一個比較有意思的unsupervised feature extract machine。回頭可以去跑跑實驗，突然覺得倒也是個蠻有意思的point。

謝邀

比較顯然的一點是，不會的，不管是從理論上還是實驗上，都是如此

就不擺實驗結果了

光從道理上來講，兩者訓練的目標不同，如果相同結構的神經網路是用來做別的分類，顯然專註於判斷生成樣本和真實樣本的鑒別器網路顯然不能相比

即便是相同結構且是用來做真偽鑒別任務的神經網路，兩者接收到的訓練數據是不同的，很顯然前者訓練時，不可能有生成器不斷地吐出新的生成樣本來餵給它，通常都是一些模擬的XXX，ok，舉個例子，一幅圖，要鑒別真品還是贗品，假設下面(a)是原圖，(b)是我自己人工假冒的，(c)是生成器生成的，ps：我是想模仿寫出一樣字跡的「2」出來

好了，顯然鑒別網路會更加著重於區分「計算機生成出來」的樣本和真實樣本有什麼差別，如果放到真有什麼「贗品鑒別」這種任務上，應該是得不出好結果的，但是，你不能說它性能差，只是針對的任務不同而已，Discriminator生下來就只是為了鑒別樣本來自於人？還是計算機？

性能的好壞，要放在具體的任務下，而不能一概而論，好，也許對於這個任務來說，他就是更好的encoding，對於另外一個任務來說，就是個垃圾的encoding吧

不過，不要灰心，試試用Discriminator的weight作為init，然後在這個基礎上再訓練別的任務（盡量也是同類型數據的分類吧），也許會有驚喜，也許什麼都沒有，嘻嘻...

前段時間有過相同的想法，在文本分類問題上，希望能夠把 discriminator 作為 classifier，用 generator 來提高 accuracy。但結果並不如人意，accuracy 相比單純的 classifier 反而降低了，我思考了一下可能有以下幾個原因，希望對題主有所幫助：

1. 我使用的 classifier 是 Attention based LSTM，其對於文本 feature 的提取能力是很強的（在 DBpedia 上接近99％的 accuracy ），而 generator 只是採用了很簡單的兩層 CNN，所以其產生的」文本」可能根本算不上」文本」，discriminator 能夠輕易判斷出真假，而 generator 因為過於簡單所以始終無法產生足以以假亂真的文本，因而對 accuracy 沒有提升效果。

2. 在相同訓練 epoch 數量下，相比原來單純 classifier，accuracy 反而降低的原因：我的 discriminator 和 generator 是交替訓練的，因而 discriminator 的訓練數量實際上是少於單純的 classifier 的，所以導致了 accuracy 的降低。

所以，如果題主想繼續嘗試的話，我有兩個建議：增加訓練 epoch，至少保證 discriminator 的訓練數量和 classifier 一樣；選擇更強的 generator 或者稍弱一點的 discriminator。

根據經驗來看，不會。

先佔個坑，有時間再詳細點說。

看你怎麼看待「更好的性能」了。我覺得如果是說最常見的拿去做識別分類的話，discriminator肯定是不比普通cnn的，因為畢竟discriminator的objective是更好地判斷真偽（當然也有像ACGAN這種也許還能判別目標類別）。至於提取到的特徵嘛，可以可視化一下和普通cnn做做對比，倒是個不錯的實驗。

看著前幾位答主思路都很正，再啰嗦就都是廢話了~~

對於普通的GAN，它只判別樣本來自真實數據還是生成數據，不能做傳統意義上的分類。

GAN的目的是生成與訓練樣本同分布的數據，所以訓練GAN的時候，我們需要的生成器，判別器是輔助訓練生成器的。