溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這篇文章給大家分享的是有關Python中如何使用PyTorch實現WGAN的內容。小編覺得挺實用的，因此分享給大家做個參考，一起跟隨小編過來看看吧。
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，于是在WGAN中，引入了Wasserstein Distance，使得訓練變得穩定。本文中我們以服從高斯分布的數據作為樣本。
這里從2維數據，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維的數據，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。
判別器同樣輸入的是2維的數據。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。
由于我們使用的是高斯模型，因此，直接生成我們需要的數據即可。我們在這個模塊中，生成8個服從高斯分布的數據。
由于使用JS散度去計算損失的時候，會很容易出現梯度極小，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：
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。
通過visdom可視化損失值，通過matplotlib可視化分布的預測結果。
感謝各位的閱讀！關于“Python中如何使用PyTorch實現WGAN”這篇文章就分享到這里了，希望以上內容可以對大家有一定的幫助，讓大家可以學到更多知識，如果覺得文章不錯，可以把它分享出去讓更多的人看到吧！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
