1.GAN簡述

在GAN中，有兩個模型，一個是生成模型，用于生成樣本，一個是判別模型，用于判斷樣本是真還是假。但由于在GAN中，使用的JS散度去計算損失值，很容易導致梯度彌散的情況，從而無法進行梯度下降更新參數(shù)，于是在WGAN中，引入了Wasserstein Distance，使得訓練變得穩(wěn)定。本文中我們以服從高斯分布的數(shù)據(jù)作為樣本。

2.生成器模塊

這里從2維數(shù)據(jù)，最終生成2維，主要目的是為了可視化比較方便。也就是說，在生成模型中，我們輸入雜亂無章的2維的數(shù)據(jù)，通過訓練之后，可以生成一個贗品，這個贗品在模仿高斯分布。

3.判別器模塊

判別器同樣輸入的是2維的數(shù)據(jù)。比如我們上面的生成器，生成了一個2維的贗品，輸入判別器之后，它能夠最終輸出一個sigmoid轉換后的結果，相當于是一個概率，從而判別，這個贗品到底能不能達到以假亂真的程度。

4.數(shù)據(jù)生成模塊

由于我們使用的是高斯模型，因此，直接生成我們需要的數(shù)據(jù)即可。我們在這個模塊中，生成8個服從高斯分布的數(shù)據(jù)。

5.判別器訓練

由于使用JS散度去計算損失的時候，會很容易出現(xiàn)梯度極小，接近于0的情況，會使得梯度下降無法進行，因此計算損失的時候，使用了Wasserstein Distance，去度量兩個分布之間的差異。因此我們假如了梯度懲罰的因子。

其中，梯度懲罰的模塊如下：

6.生成器訓練

這里的訓練是緊接著判別器訓練的。也就是說，在一個周期里面，先訓練判別器，再訓練生成器。

7.結果可視化

通過visdom可視化損失值，通過matplotlib可視化分布的預測結果。

以上就是人工智能學習PyTorch實現(xiàn)WGAN示例詳解的詳細內容，更多關于PyTorch實現(xiàn)WGAN的資料請關注本站其它相關文章！

版權聲明：本站文章來源標注為YINGSOO的內容版權均為本站所有，歡迎引用、轉載，請保持原文完整并注明來源及原文鏈接。禁止復制或仿造本網站，禁止在非maisonbaluchon.cn所屬的服務器上建立鏡像，否則將依法追究法律責任。本站部分內容來源于網友推薦、互聯(lián)網收集整理而來，僅供學習參考，不代表本站立場，如有內容涉嫌侵權，請聯(lián)系alex-e#qq.com處理。