版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)
文檔簡介
生成對抗網(wǎng)絡(luò)及自動駕駛應(yīng)用第九章DeepLearningAndAutonomousDriving深度學習與自動駕駛應(yīng)用DeepLearningAndAutonomousDriving深度學習與自動駕駛應(yīng)用第2頁9.4實踐項目9.1生成式對抗網(wǎng)絡(luò)概述9.3生成對抗網(wǎng)絡(luò)應(yīng)用9.2生成式對抗網(wǎng)絡(luò)基本理論目錄ContentDeepLearningAndAutonomousDriving深度學習與自動駕駛應(yīng)用第3頁9.1生成式對抗網(wǎng)絡(luò)概述什么是對抗?在射雕英雄傳中,老頑童周伯通被困在桃花島,閑的無聊,自創(chuàng)了左右手互搏術(shù),左手打右手,右手打左手,雙手的武功不斷精進。這就是對抗在現(xiàn)實世界里沒有左右手互搏術(shù),但在人工智能的世界里卻有,這就是GAN,中文名字:生成對抗網(wǎng)絡(luò)。DeepLearningAndAutonomousDriving深度學習與自動駕駛應(yīng)用第4頁9.1生成式對抗網(wǎng)絡(luò)概述生成對抗網(wǎng)絡(luò)能干啥?2018年10月,一幅肖像畫在紐約佳士得以43萬美元的高價被成功拍賣作者為GANDeepLearningAndAutonomousDriving深度學習與自動駕駛應(yīng)用第5頁9.1生成式對抗網(wǎng)絡(luò)概述生成對抗網(wǎng)絡(luò)能干啥?如果將GAN比作一個人的話,書法、作畫、譜曲,樣樣都可以做到精通,就像他的名字“生成對抗網(wǎng)絡(luò)”一樣,他的誕生就是為了生成、為了創(chuàng)作。GAN有哪些應(yīng)用?DeepLearningAndAutonomousDriving深度學習與自動駕駛應(yīng)用第6頁9.1生成式對抗網(wǎng)絡(luò)概述深度學習中常見生成式模型自編碼(AE)其隱變量z是一個單值映射:z=f(x)變分自編碼(VAE)其隱變量z是一個正態(tài)分布的采樣生成式對抗網(wǎng)絡(luò)(GAN)條件生成式對抗網(wǎng)絡(luò)(CGAN)在生成器和判別器中添加某一標簽信息深度卷積生成式對抗網(wǎng)絡(luò)(DCGAN)判別器和生成器都使用了卷積神經(jīng)網(wǎng)絡(luò)(CNN)來替代GAN
中的多層感知機DeepLearningAndAutonomousDriving深度學習與自動駕駛應(yīng)用第7頁9.1生成式對抗網(wǎng)絡(luò)概述GAN起源GAN(GenerativeAdversarialNetworks),中文翻譯為生成式對抗網(wǎng)絡(luò),是IanGoodfellow等在2014年提出的一種生成式模型。GAN的基本思想源自博弈論的二人零和博弈,由一個生成器和一個判別器構(gòu)成,通過對抗學習的方式來訓練.目的是估測數(shù)據(jù)樣本的潛在分布并生成新的數(shù)據(jù)樣本。2001年,TonyJebara在畢業(yè)論文中以最大熵形式將判別模型與生成模型結(jié)合起來聯(lián)合學習2007年,ZhuowenTu提出將基于boosting分類器的判別模型與基于采樣的生成模型相結(jié)合,來產(chǎn)生出服從真實分布的樣本。2012年,JunZhu將最大間隔機制與貝葉斯模型相結(jié)合進行產(chǎn)生式模型的學習。2014年,IanGoodfellow等人提出生成式對抗網(wǎng)絡(luò),迎合了大數(shù)據(jù)需求和深度學習熱潮,給出了一個大的理論框架及理論收斂性分析。起源發(fā)展DeepLearningAndAutonomousDriving深度學習與自動駕駛應(yīng)用第8頁9.1生成式對抗網(wǎng)絡(luò)概述
GAN的核心思想來源于博弈論的納什均衡它設(shè)定參與游戲雙方分別為一個生成器(Generator)和一個判別器(Discriminator),生成器的目的是盡量去學習真實的數(shù)據(jù)分布,而判別器的目的是盡量正確判別輸入數(shù)據(jù)是來自真實數(shù)據(jù)還是來自生成器;為了取得游戲勝利,這兩個游戲參與者需要不斷優(yōu)化,各自提高自己的生成能力和判別能力,這個學習優(yōu)化過程就是尋找二者之間的一個納什均衡。DeepLearningAndAutonomousDriving深度學習與自動駕駛應(yīng)用第9頁9.1生成式對抗網(wǎng)絡(luò)概述DeepLearningAndAutonomousDriving深度學習與自動駕駛應(yīng)用第10頁9.4實踐項目9.1生成式對抗網(wǎng)絡(luò)概述9.3生成對抗網(wǎng)絡(luò)應(yīng)用9.2生成式對抗網(wǎng)絡(luò)基本理論目錄ContentDeepLearningAndAutonomousDriving深度學習與自動駕駛應(yīng)用第11頁9.2生成式對抗網(wǎng)絡(luò)基本理論生成對抗模型的特性——博弈生成器的目標:接收隨機向量,生成與真實樣本盡可能相似的樣本。判別器的目標:接收生成器生成的樣本和真實樣本,盡可能地判斷兩者之間的真假。納什均衡:生成器和判別器都能得到最多的好處DeepLearningAndAutonomousDriving深度學習與自動駕駛應(yīng)用第12頁9.2生成式對抗網(wǎng)絡(luò)基本理論GAN應(yīng)用的一般框架隨機變量+真實數(shù)據(jù)+生成器+判別器
一般為二分類網(wǎng)絡(luò)網(wǎng)絡(luò)結(jié)構(gòu)根據(jù)生成內(nèi)容定義DeepLearningAndAutonomousDriving深度學習與自動駕駛應(yīng)用第13頁9.2生成式對抗網(wǎng)絡(luò)基本理論訓練過程訓練過程中,固定一方,更新另一方的網(wǎng)絡(luò)權(quán)重,交替迭代。那么先訓練誰呢?生成器學生:負責產(chǎn)出內(nèi)容判別器老師:負責評判分數(shù)先訓練判別器。1、樣本直接輸入到判別器之中。2、只有判別器具有一定的判斷能力后,生成器的訓練才有意義。DeepLearningAndAutonomousDriving深度學習與自動駕駛應(yīng)用第14頁9.2生成式對抗網(wǎng)絡(luò)基本理論使用步驟建立模型生成器和判別器網(wǎng)絡(luò)訓練過程損失函數(shù)參數(shù)學習DeepLearningAndAutonomousDriving深度學習與自動駕駛應(yīng)用第15頁9.2生成式對抗網(wǎng)絡(luò)基本理論常用:交叉熵損失函數(shù)判別器目標函數(shù):對于真實樣本,其標簽值為1,那么其單個樣本損失函數(shù)就是同理可得生成器輸出樣本的總體損失函數(shù),判別器的目標函數(shù)定義如下其中,D(x)表示判別器輸出的真實圖像的概率分布,D(G(z))表示判別器輸出的生成器生成圖像的概率分布。
真實樣本的總體損失函數(shù)是
DeepLearningAndAutonomousDriving深度學習與自動駕駛應(yīng)用第16頁9.2生成式對抗網(wǎng)絡(luò)基本理論模型總目標函數(shù)對于判別器,我們盡可能地希望其分類正確,但是對于生成器而言,我們又希望D(G(z))越接近1越好,所以GAN網(wǎng)絡(luò)的目標函數(shù)如下所示
DeepLearningAndAutonomousDriving深度學習與自動駕駛應(yīng)用第17頁9.2生成式對抗網(wǎng)絡(luò)基本理論使用步驟GAN的主要分支-CGANCGAN--條件生成對抗網(wǎng)絡(luò),為了防止訓練崩塌將前置條件加入輸入數(shù)據(jù)。DeepLearningAndAutonomousDriving深度學習與自動駕駛應(yīng)用第18頁9.2生成式對抗網(wǎng)絡(luò)基本理論使用步驟DeepLearningAndAutonomousDriving深度學習與自動駕駛應(yīng)用第19頁9.2生成式對抗網(wǎng)絡(luò)基本理論使用步驟GAN的主要分支-DCGANDCGAN--深度卷積生成對抗網(wǎng)絡(luò),提出了能穩(wěn)定訓練的網(wǎng)絡(luò)結(jié)構(gòu),更易于工程實現(xiàn)。DeepLearningAndAutonomousDriving深度學習與自動駕駛應(yīng)用第20頁9.2生成式對抗網(wǎng)絡(luò)基本理論使用步驟GAN的主要分支-CGANCGAN--條件生成對抗網(wǎng)絡(luò),為了防止訓練崩塌將前置條件加入輸入數(shù)據(jù)。DeepLearningAndAutonomousDriving深度學習與自動駕駛應(yīng)用第21頁9.2生成式對抗網(wǎng)絡(luò)基本理論使用步驟DeepLearningAndAutonomousDriving深度學習與自動駕駛應(yīng)用第22頁9.4實踐項目9.1生成式對抗網(wǎng)絡(luò)概述9.3生成對抗網(wǎng)絡(luò)應(yīng)用9.2生成式對抗網(wǎng)絡(luò)基本理論目錄ContentDeepLearningAndAutonomousDriving深度學習與自動駕駛應(yīng)用第23頁9.3生成對抗網(wǎng)絡(luò)應(yīng)用GAN的應(yīng)用
圖像和視覺領(lǐng)域語音和語言領(lǐng)域其他領(lǐng)域作為一個具有“無限”生成能力的模型,GAN的直接應(yīng)用就是建模,生成與真實數(shù)據(jù)分布一致的數(shù)據(jù)樣本,GAN可以用于解決標注數(shù)據(jù)不足時的學習問題。其可以應(yīng)用于:DeepLearningAndAutonomousDriving深度學習與自動駕駛應(yīng)用第24頁9.3生成對抗網(wǎng)絡(luò)應(yīng)用圖像和視覺領(lǐng)域GAN能夠生成與真實數(shù)據(jù)分布一致的圖像。一個典型應(yīng)用是利用GAN來將一個低清模糊圖像變換為具有豐富細節(jié)的高清圖像。用VGG網(wǎng)絡(luò)作為判別器,用參數(shù)化的殘差網(wǎng)絡(luò)表示生成器,實驗結(jié)果如圖所示,可以看到GAN生成了細節(jié)豐富的圖像。DeepLearningAndAutonomousDriving深度學習與自動駕駛應(yīng)用第25頁9.3生成對抗網(wǎng)絡(luò)應(yīng)用語音和語言領(lǐng)域用GAN來表征對話之間的隱式關(guān)聯(lián)性,從而生成對話文本。用CNN作為判別器,判別器基于擬合LSTM的輸出,用矩匹配來解決優(yōu)化問題;在訓練時,和傳統(tǒng)更新多次判別器參數(shù)再更新一次生成器不同,需要多次更新生成器再更新CNN判別器。SeqGAN基于策略梯度來訓練生成器。用GAN基于文本描述來生成圖像,文本編碼被作為生成器的條件輸入,同時為了利用文本編碼信息,也將其作為判別器特定層的額外信息輸入來改進判別器,判別是否滿足文本描述的準確率。DeepLearningAndAutonomousDriving深度學習與自動駕駛應(yīng)用第26頁9.3生成對抗網(wǎng)絡(luò)應(yīng)用其他領(lǐng)域除了將GAN應(yīng)用于圖像和視覺、語音和語言等領(lǐng)域,GAN還可以與強化學習、模仿學習等相合。有人提出用MalGAN幫助檢測惡意代碼,用GAN生成具有對抗性的病毒代碼樣本,實驗結(jié)果表明基于GAN的方法可以比傳統(tǒng)基于黑盒檢測模型的方法性能更好。也有人提出了一個擴展GAN的生成器,用判別器來正則化生成器而不是用一個損失函數(shù),用國際象棋實驗示例證明了所提方法的有效性。DeepLearningAndAutonomousDriving深度學習與自動駕駛應(yīng)用第27頁9.3生成對抗網(wǎng)絡(luò)應(yīng)用GAN的優(yōu)點和意義GAN對于生成式模型的發(fā)展具有重要的意義。GAN作為一種生成式方法,有效解決了可建立自然性解釋的數(shù)據(jù)的生成難題。GAN的訓練過程創(chuàng)新性地將兩個神經(jīng)網(wǎng)絡(luò)的對抗作為訓練準則并且可以使用反向傳播進行訓練,大大改善了生成式模型的訓練難度和訓練效率。GAN在生成樣本的實踐中,生成的樣本易于人類理解。GAN除了對生成式模型的貢獻,對于半監(jiān)督學習也有啟發(fā)。DeepLearningAndAutonomousDriving深度學習與自動駕駛應(yīng)用第28頁9.3生成對抗網(wǎng)絡(luò)應(yīng)用GAN的缺陷GAN雖然解決了生成式模型的一些問題,并且對其他方法的發(fā)展具有一定的啟發(fā)意義,但是GAN并不完美,它在解決已有問題的同時也引入了一些新的問題。GAN優(yōu)化過程存在不穩(wěn)定性,很容易陷入到一個鞍點或局部極值點上,即“崩潰模式現(xiàn)象”。GAN作為以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的生成式模型,存在神經(jīng)網(wǎng)絡(luò)類模型的一般性缺陷,即可解釋性差。GAN模型需要提高延展性,尤其在處理大規(guī)模數(shù)據(jù)的時候。DeepLearningAndAutonomousDriving深度學習與自動駕駛應(yīng)用第29頁9.3生成對抗網(wǎng)絡(luò)應(yīng)用GAN的發(fā)展前景GAN的研究進展表明它具有廣闊的發(fā)展前景,未來研究方向可以是:如何徹底解決崩潰模式并繼續(xù)優(yōu)化訓練過程。關(guān)于GAN收斂性和均衡點存在性的理論推斷。如何將GAN與特征學習、模仿學習、強化學習等技術(shù)更好地融合,開發(fā)新的人工智能應(yīng)用或者促進這些方法的發(fā)展。DeepLearningAndAutonomousDriving深度學習與自動駕駛應(yīng)用第30頁9.3生成對抗網(wǎng)絡(luò)應(yīng)用GAN的應(yīng)用
圖像和視覺領(lǐng)域語音和語言領(lǐng)域其他領(lǐng)域作為一個具有“無限”
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 工作總結(jié)之電信專業(yè)實習總結(jié)
- 2024年醫(yī)用氣體系統(tǒng)項目資金需求報告
- 銀行內(nèi)部審計工作制度
- 《計量計價屋面》課件
- 雙核素心肌斷層顯像方法課件
- 大學生思想品德修養(yǎng)與法律基礎(chǔ)課件導(dǎo)論課件
- 幼兒園大班知識競賽題
- 分子的熱運動課件
- 消費者行為學課件方案選擇、方案實施
- 《保守力與非保守力》課件
- 衛(wèi)生經(jīng)濟學智慧樹知到期末考試答案章節(jié)答案2024年內(nèi)蒙古醫(yī)科大學
- 紅船精神與時代價值-知到答案、智慧樹答案
- 房票數(shù)字化管理系統(tǒng)需求
- 部編版四年級上冊語文期末測試卷(附答案)
- 2024年中考作文十二大高頻熱點主題1-至愛親情(素材)
- 奧的斯GECS配有 MESD 的 GCS扶梯控制軟件扶梯服務(wù)器調(diào)試手冊2015
- 醫(yī)院消防安全宣教
- 遇見朗讀者智慧樹知到期末考試答案2024年
- 第10課時-小人物-大情懷-單元總結(jié)-七年級語文下冊(部編版)
- 廠務(wù)動力系統(tǒng)培訓課件
- 搬運裝卸服務(wù)外包搬運裝卸實施方案
評論
0/150
提交評論