Python人工智能學習PyTorch實現(xiàn)WGAN示例詳解
1.GAN簡述
在GAN中，有兩個模型，一個是生成模型，用于生成樣本，一個是判別模型，用于判斷樣本是真還是假。但由于在GAN中，使用的JS散度去計算損失值，很容易導致梯度彌散的情況，從而無法進行梯度下降更新參數(shù)，于是在WGAN中，引入了Wasserstein Distance，使得訓練變得穩(wěn)定。本文中我們以服從高斯分布的數(shù)據(jù)作為樣本。
2.生成器模塊
這里從2維數(shù)據(jù)，最終生成2維，主要目的是為了可視化比較方便。也就是說，在生成模型中，我們輸入雜亂無章的2維的數(shù)據(jù)，通過訓練之后，可以生成一個贗品，這個贗品在模仿高斯分布。
3.判別器模塊
判別器同樣輸入的是2維的數(shù)據(jù)。比如我們上面的生成器，生成了一個2維的贗品，輸入判別器之后，它能夠最終輸出一個sigmoid轉換后的結果，相當于是一個概率，從而判別，這個贗品到底能不能達到以假亂真的程度。
4.數(shù)據(jù)生成模塊
由于我們使用的是高斯模型，因此，直接生成我們需要的數(shù)據(jù)即可。我們在這個模塊中，生成8個服從高斯分布的數(shù)據(jù)。
5.判別器訓練
由于使用JS散度去計算損失的時候，會很容易出現(xiàn)梯度極小，接近于0的情況，會使得梯度下降無法進行，因此計算損失的時候，使用了Wasserstein Distance，去度量兩個分布之間的差異。因此我們假如了梯度懲罰的因子。
其中，梯度懲罰的模塊如下：
6.生成器訓練
這里的訓練是緊接著判別器訓練的。也就是說，在一個周期里面，先訓練判別器，再訓練生成器。
7.結果可視化
通過visdom可視化損失值，通過matplotlib可視化分布的預測結果。
以上就是人工智能學習PyTorch實現(xiàn)WGAN示例詳解的詳細內(nèi)容，更多關于PyTorch實現(xiàn)WGAN的資料請關注腳本之家其它相關文章！
相關文章
這篇文章主要介紹了matplotlib中l(wèi)egend位置調整解析，具有一定借鑒價值，需要的朋友可以參考下。2017-12-12
這篇文章主要介紹了Python 文件操作大全,本文結合實例代碼給大家介紹的非常詳細,需要的朋友可以參考下2019-09-09
短路是指當表達式的真值已經(jīng)確定時終止布爾運算，Python 解釋器以從左到右的方式計算表達式，這篇文章主要介紹了Python 中的短路評估,需要的朋友可以參考下2023-06-06
這篇文章主要介紹了Python Web日志管理與監(jiān)控實踐指南,文中通過代碼示例講解的非常詳細,對大家的學習或工作有一定的幫助,需要的朋友可以參考下2024-09-09
今天小編就為大家分享一篇Python使用Turtle庫繪制一棵西蘭花，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-11-11
這篇文章主要介紹了改變 Python 中線程的執(zhí)行順序的方法，幫助大家更好的理解和學習python，感興趣的朋友可以了解下2020-09-09
這篇文章主要為大家詳細介紹了Python及Pycharm安裝方法圖文教程，文中安裝步驟介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2019-08-08
這篇文章主要介紹了python中數(shù)組和矩陣乘法及使用總結，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2019-05-05
文本查重,也稱為文本去重,是一項旨在識別文本文檔之間的相似性或重復性的技術或任務,它的主要目標是確定一個文本文檔是否包含與其他文檔相似或重復的內(nèi)容,本文給大家介紹了利用python檢測文本相似性的原理和方法,需要的朋友可以參考下2023-11-11
這篇文章主要介紹了Python遍歷某目錄下的所有文件夾與文件路徑 以及輸出中文亂碼問題的解決方法，具有一定的參考價值，感興趣的小伙伴們可以參考一下2018-03-03