標籤：

CVAE-GAN論文翻譯（3.4. CVAEGAN的目標）

01-29

深度神經網路生成模型：從 GAN VAE 到 CVAE-GAN。

論文地址：CVAE—GAN

上面這篇文章的介紹已經很不錯了！

我的工作是翻譯更加涉及細節的內容！

3.4. Objective of CVAEGAN

3.4. CVAEGAN的目標

每個術語的確切形式都在這裡呈現在公式1到6。上述公式的每一項都是有意義的。 L_{KL} 僅與編碼器網路E相關。它代表潛在向量的分布是否低於期望。 LG，LGD和LGC都與網路G相關.它們表示是否合成圖像類似於輸入訓練樣本，真實圖像，和同一類別內的其他樣本。LC與分類網路C相關，其代表網路對不同的類別的圖像進行分類的能力，和LD是有區別的，這代表了網路區分真實/合成圖像有多好。所有這些目標是相輔相成的，最終是互補的使我們的演算法獲得好的結果。整體訓練過程在演算法1中描述。在我們的實驗中。我們根據經驗設定為【】：

  1. 從真實數據中選一個batch,{ {x_{r},c_{r}} }【 r :real 真實】
  2. 得到 L_{C} 【真實數據的類別損失】
  3. 將真實數據編碼 z
  4. 得到 L_{kl} 【真實數據編碼後與正態分布的差異】
  5. 將真實數據的編碼 z ,經過生成器得到 x_{f} 【 f :fake 假的】
  6. 產生隨機數據 z_{p} 和標籤 c_{p} 【 p :可能是概率 P 的代表】
  7. 將隨機數據送入生成器得到 x_{p}
  8. 計算 L_{D} 【 判斷真偽網路的損失，D :判斷真偽的網路， x :合成或真實數據，編碼生成的數據和隨機產生的數據都歸為 f 】
  9. frac{1}{m}sum_{i}^{m}{f_{D}(x_{r})} :計算一個batch(batch的長度是 m )真實數據經過 D 網路編碼後特徵的均值，同理就算 x_{p} 【這個是一個batch內 m 數據的取平均】
  10. L_{GD} :計算真實數據與隨機生成數據特徵中心的偏差
  11. 用移動均值法計算真數據每一個類別 c_{i} 的特徵中心 f_{C}^{c_{i}}(x_{r}) ，同理就算每一個隨機假數據【這個是所有歷史數據的平均】
  12. L_{GC} :每一個類別中心偏差求和
  13. L_{G} :解碼後圖片的偏差，由三部分構成：圖片本身差異， D 網路特徵差異， C 網路特徵差異
  14. C,D,G,E 網路依次更新【？ + 應該代表的是僅僅的意思吧】

歡迎關注公眾號：huangxiaobai880

https://www.zhihu.com/video/937346567712288768
推薦閱讀：

TAG:深度学习DeepLearning | 机器学习 | 论文翻译 |