《一个学习GAN的交互式网站：GAN Lab！.doc》由会员分享，可在线阅读，更多相关《一个学习GAN的交互式网站：GAN Lab！.doc（2页珍藏版）》请在三一文库上搜索。
1、一个学习GAN的交互式网站：GAN Lab！今天，Google AI和乔治亚理工学院的研究人员发布了一个学习GAN的交互式网站：GAN Lab！由TensorFlow.js驱动，在浏览器就可以运行GAN。Google AI和乔治亚理工学院的研究人员发布了一个学习GAN的交互式网站：GAN Lab！由TensorFlow.js 驱动，在浏览器就可以运行GAN，非常直观地了解各种GAN模型的机制，可谓是一大神器。发布后迅速获得好评。GAN Lab地址：https:/poloclub.github.io/ganlab/GitHub：https:/github/poloclub/ganlab论文：ht
2、tp:/minsuk/research/papers/kahng-ganlab-vast2018.pdf网站提供四种数据分布类型，也可以自定义自己的数据分布，可以使用预训练模型。点击运行按钮后，即可查看模型的可视化呈现：许多机器学习系统需要查看某种复杂的输入（例如图像），然后产生简单的输出（例如“cat”之类的标签）。相比之下，生成模型的目标恰恰相反：取一小部分输入（可能是一些随机数），然后产生复杂的输出，例如一张看起来很逼真的人脸图像。生成对抗网络（GAN）是一种特别有效的生成模型，从几年前推出以来，一直是机器学习的一个热门研究主题。机器从头开始“创造”一幅逼真的图像，这一想法看似神奇，但是
3、GAN使用两个关键技巧将看似不可能的目标变为现实，即建立两个竞争的网络生成器（generator）和判别器（discriminator）。生成器尝试创建随机的合成输出（例如，面部图像），而鉴别器试图将这些输出与实际输出（例如，名人的数据库）区分开来。当两个网络互相对抗，它们将能变得越来越好最终结果是能够产生逼真输出的生成网络。GAN非常复杂，其可视化也有很多难题。研究者的基本想法是：首先，没有把任何像生成真实图像这样复杂的东西形象化。而是展示一个GAN在二维空间中如何学习点的分布（distribution of points）。这样简单的东西没有真正的应用，但是有助于展示系统的机制。因为普通二维(x,y)空间中的概率分布比在高分辨率图像空间中的分布更容易可视化。在两个位置展示数据分布单击工具栏上的播放按钮即可运行模型。 除了所选择的分布中的实际样本，你还会看到模型生成的假样本。随着训练的进行，假样本的位置不断更新。完美的GAN创建的假样本分布与实际样本的分布几乎无法区分。当发生这种情况时，在分层分布视图中，你将看到两个分布很好地重叠了。随着训练的进行，假样本的位置不断更新。最后，真实样本和假样本的分布发生重叠。生成器的数据转换可视化为流形，将输入噪声（最左边）转换为假样本（最右边）。鉴别器的性能可以通过2Dheatmap解释。