Li 等人(提出动物行为推断的同一作者)在*Turing learning:推断行为的无度量方法及其在群体*中于 2016 年提出了 **Turing learning** 一词。 ](Swarm Intelligence,10(3):211-243)。 图灵学习与图灵测试相关,并且是 GAN 的概括,如*概括 GAN:图灵透视图*中所总结(Gross 等人,“神经信息处理系统年会”第 31 个论文集,2017,1-11)。 在图灵学习中,模型不仅限于 GAN 或神经网络; 鉴别器会影响发生器的输入,在图灵测试中充当询问器。
Li 等人(提出动物行为推断的同一作者)在《图灵学习:一种无度量的行为推断方法及其在群体中的应用》中于 2016 年提出了**图灵学习** 一词。 图灵学习与图灵测试相关,并且是 GAN 的概括,如《概括 GAN:图灵的视角》中所总结。 在图灵学习中,模型不仅限于 GAN 或神经网络; 鉴别器会影响发生器的输入,在图灵测试中充当询问器。
提出的第一个 GAN 由用于发生器和鉴别器的全连接层组成。 自从香草架构以来,已经开发了许多新的创新方法,例如,深度卷积 GAN,条件 GAN 和信息最大化的 GAN。 在下一节中,我们将详细研究这些架构,并从头开始实现每个架构。
...
...
@@ -175,7 +175,7 @@ Training dataset shape: (70000, 784)
开发发电机有点棘手。 回想一下,我们需要首先将输入的一维噪声整形为三维图像,以启用转置卷积。 我们知道,由于两个网络的对称性,第三维是 256。 那么,前两个维度是什么? 它们是`2`x`2`,在第一个转置的卷积层之后变为`4`x`4`,`8`x *第二个之后的*为 8,第三个之后的为 16 x 16,如果它是 *3,则与我们的`28`x`28`的目标相去甚远。* x`3`。 同样,它在第三个转置的卷积层之后变为 24 x 24,这又不够大。 如果它是 4 x 4,则在第三个转置的卷积层之后变为 32 x 32。 因此,将线性输入重塑为 4 x 4 图像就足够了。 请注意,现在生成的图像输出的大小为 32 x 32,这与我们的真实图像的大小 28 x 28 不同。要确保对鉴别器的输入恒定,我们只需要在真实图像上填充零即可。 在`load_dataset`函数的顶部实现了实图像的零填充:
开发发电机有点棘手。 回想一下,我们需要首先将输入的一维噪声整形为三维图像,以启用转置卷积。 我们知道,由于两个网络的对称性,第三维是 256。 那么,前两个维度是什么? 它们是`2 x 2`,在第一个转置的卷积层之后变为`4 x 4`,第二个之后的为`8 x 8`,第三个之后的为 16 x 16,如果它是`3 x 3`,则与我们的`28 x 28`的目标相去甚远。 同样,它在第三个转置的卷积层之后变为 24 x 24,这又不够大。 如果它是 4 x 4,则在第三个转置的卷积层之后变为 32 x 32。 因此,将线性输入重塑为 4 x 4 图像就足够了。 请注意,现在生成的图像输出的大小为 32 x 32,这与我们的真实图像的大小 28 x 28 不同。要确保对鉴别器的输入恒定,我们只需要在真实图像上填充零即可。 在`load_dataset`函数的顶部实现了实图像的零填充: