Python人工智能学习PyTorch实现WGAN示例详解
更新时间：2021年11月11日 11:59:49 作者：Swayzzu
这篇文章主要为大家介绍了人工智能学习PyTorch实现WGAN的示例详解，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步
1.GAN简述
在GAN中，有两个模型，一个是生成模型，用于生成样本，一个是判别模型，用于判断样本是真还是假。但由于在GAN中，使用的JS散度去计算损失值，很容易导致梯度弥散的情况，从而无法进行梯度下降更新参数，于是在WGAN中，引入了Wasserstein Distance，使得训练变得稳定。本文中我们以服从高斯分布的数据作为样本。
2.生成器模块
这里从2维数据，最终生成2维，主要目的是为了可视化比较方便。也就是说，在生成模型中，我们输入杂乱无章的2维的数据，通过训练之后，可以生成一个赝品，这个赝品在模仿高斯分布。
3.判别器模块
判别器同样输入的是2维的数据。比如我们上面的生成器，生成了一个2维的赝品，输入判别器之后，它能够最终输出一个sigmoid转换后的结果，相当于是一个概率，从而判别，这个赝品到底能不能达到以假乱真的程度。
4.数据生成模块
由于我们使用的是高斯模型，因此，直接生成我们需要的数据即可。我们在这个模块中，生成8个服从高斯分布的数据。
5.判别器训练
由于使用JS散度去计算损失的时候，会很容易出现梯度极小，接近于0的情况，会使得梯度下降无法进行，因此计算损失的时候，使用了Wasserstein Distance，去度量两个分布之间的差异。因此我们假如了梯度惩罚的因子。
其中，梯度惩罚的模块如下：
6.生成器训练
这里的训练是紧接着判别器训练的。也就是说，在一个周期里面，先训练判别器，再训练生成器。
7.结果可视化
通过visdom可视化损失值，通过matplotlib可视化分布的预测结果。
以上就是人工智能学习PyTorch实现WGAN示例详解的详细内容，更多关于PyTorch实现WGAN的资料请关注脚本之家其它相关文章！
相关文章
这篇文章主要介绍了matplotlib中legend位置调整解析，具有一定借鉴价值，需要的朋友可以参考下。2017-12-12
这篇文章主要介绍了Python 文件操作大全,本文结合实例代码给大家介绍的非常详细,需要的朋友可以参考下2019-09-09
短路是指当表达式的真值已经确定时终止布尔运算，Python 解释器以从左到右的方式计算表达式，这篇文章主要介绍了Python 中的短路评估,需要的朋友可以参考下2023-06-06
这篇文章主要介绍了Python Web日志管理与监控实践指南,文中通过代码示例讲解的非常详细,对大家的学习或工作有一定的帮助,需要的朋友可以参考下2024-09-09
今天小编就为大家分享一篇Python使用Turtle库绘制一棵西兰花，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2019-11-11
这篇文章主要介绍了改变 Python 中线程的执行顺序的方法，帮助大家更好的理解和学习python，感兴趣的朋友可以了解下2020-09-09
这篇文章主要为大家详细介绍了Python及Pycharm安装方法图文教程，文中安装步骤介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2019-08-08
这篇文章主要介绍了python中数组和矩阵乘法及使用总结，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2019-05-05
文本查重,也称为文本去重,是一项旨在识别文本文档之间的相似性或重复性的技术或任务,它的主要目标是确定一个文本文档是否包含与其他文档相似或重复的内容,本文给大家介绍了利用python检测文本相似性的原理和方法,需要的朋友可以参考下2023-11-11
这篇文章主要介绍了Python遍历某目录下的所有文件夹与文件路径 以及输出中文乱码问题的解决方法，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2018-03-03
最新评论