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。 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【】:
- 從真實數據中選一個batch,{ }【 :real 真實】
- 得到 【真實數據的類別損失】
- 將真實數據編碼
- 得到 【真實數據編碼後與正態分布的差異】
- 將真實數據的編碼 ,經過生成器得到 【 :fake 假的】
- 產生隨機數據 和標籤 【 :可能是概率 的代表】
- 將隨機數據送入生成器得到
- 計算 【 判斷真偽網路的損失, :判斷真偽的網路, :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 】
- :計算一個batch(batch的長度是 )真實數據經過 網路編碼後特徵的均值,同理就算 【這個是一個batch內 數據的取平均】
- :計算真實數據與隨機生成數據特徵中心的偏差
- 用移動均值法計算真數據每一個類別 的特徵中心 ,同理就算每一個隨機假數據【這個是所有歷史數據的平均】
- :每一個類別中心偏差求和
- :解碼後圖片的偏差,由三部分構成:圖片本身差異, 網路特徵差異, 網路特徵差異
- 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 |