2021-01-07 20:26:01

new/adv-dl-tf2-keras/04.md

@@ -67,15 +67,15 @@ GAN 的基本概念很简单。 但是，我们将发现的一件事是，最具
 
 ![](img/B14853_04_001.png) (Equation 4.1.1)
 
-该方程只是标准的二进制交叉熵代价函数。 损失是正确识别真实数据![](img/B14853_04_003.png)的期望值与 1.0 正确识别合成数据![](img/B14853_04_003.png)的期望值之和。 日志不会更改本地最小值的位置。
+该方程只是标准的二进制交叉熵代价函数。 损失是正确识别真实数据`1 - D(g(z))`的期望值与 1.0 正确识别合成数据`1 - D(g(z))`的期望值之和。 日志不会更改本地最小值的位置。
 
 训练过程中将两个小批数据提供给判别器：
 
-1. `x`，来自采样数据的实数据（换言之，![](img/B14853_04_004.png)），标签为 1.0
+1. `x`，来自采样数据的实数据（换言之，`x ~ p_data`），标签为 1.0
 
-1.  ![](img/B14853_04_005.png)，来自生成器的带有标签 0.0 的伪造数据
+1.  `x' = g(z)`，来自生成器的带有标签 0.0 的伪造数据
 
-为了使的损失函数最小，将通过反向传播通过正确识别真实数据![](img/B14853_04_007.png)和合成数据![](img/B14853_04_008.png)来更新判别器参数![](img/B14853_04_006.png)。 正确识别真实数据等同于![](img/B14853_04_009.png)，而正确分类伪造数据则与![](img/B14853_04_010.png)或![](img/B14853_04_011.png)相同。 在此等式中，`z`是生成器用来合成新信号的任意编码或噪声矢量。 两者都有助于最小化损失函数。
+为了使的损失函数最小，将通过反向传播通过正确识别真实数据`D(x)`和合成数据`1 - D(g(z))`来更新判别器参数`θ^(D)`。 正确识别真实数据等同于`D(x) -> 1.0`，而正确分类伪造数据则与`D(g(z)) -> 0.0`或`1 - D(g(z)) -> 1.0`相同。 在此等式中，`z`是生成器用来合成新信号的任意编码或噪声矢量。 两者都有助于最小化损失函数。
 
 为了训练发电机，GAN 将判别器和发电机损耗的总和视为零和博弈。 发电机损耗函数只是判别器损耗函数的负数：
 
@@ -89,7 +89,7 @@ GAN 的基本概念很简单。 但是，我们将发现的一件事是，最具
 
 ![](img/B14853_04_014.png) (Equation 4.1.4)
 
-有时，我们会假装合成数据是带有标签 1.0 的真实数据，以此来欺骗判别器。 通过最大化![](img/B14853_04_015.png)，优化器将梯度更新发送到判别器参数，以将该合成数据视为真实数据。 同时，通过将![](img/B14853_04_016.png)的相关性减至最小，优化器将在上训练生成器的参数，从而欺骗识别器。 但是，实际上，判别器对将合成数据分类为伪造的预测很有信心，并且不会更新 GAN 参数。 此外，梯度更新很小，并且在传播到生成器层时已大大减小。 结果，生成器无法收敛。
+有时，我们会假装合成数据是带有标签 1.0 的真实数据，以此来欺骗判别器。 通过最大化`θ^(D)`，优化器将梯度更新发送到判别器参数，以将该合成数据视为真实数据。 同时，通过将`θ^(G)`的相关性减至最小，优化器将在上训练生成器的参数，从而欺骗识别器。 但是，实际上，判别器对将合成数据分类为伪造的预测很有信心，并且不会更新 GAN 参数。 此外，梯度更新很小，并且在传播到生成器层时已大大减小。 结果，生成器无法收敛。
 
 ![](img/B14853_04_04.png)