1,首先,建議視覺化訓練的損失函式變化,包括重建損失(用於約束結構不變的,不清楚題主是使用了歐式距離損失還是感知損失)和生成對抗損失(gan loss)
生成器的任務是建立與原始資料分佈類似的自然外觀影象,這些影象看起來足夠自然以欺騙鑑別器網路
透過學習本章內容,你會了解到GAN是由兩個獨立的神經網路(生成器和鑑別器)組成的——它們透過動態競爭進行訓練
具體深入研究的話這點兒資訊可能還不夠定期輸出一下生成器的結果(比如用一個固定的noise為輸入),如果很明顯崩了,大概是生成器的生成能力不足,此時dloss或者gloss會有一者為0(奇怪的是有時候突然兩者的loss會突然交換反轉)
com/VITA-Group/EnlightenGAN總結:提出了全域性-區域性鑑別器達到不用配對影象就能訓練GAN模型實現暗光增強Paper內容介紹【Introduction】背景啥的也沒什麼好說的,可以去看上一篇文章:智雲檢視:自監督的
希望你擁有穩定輸出的時間,英文能力佳,從業者優先聯絡微信 liulailiuwang現金徵稿有關AI領域的技術、產品、人物、爆料分享,請直接留言或傳送至 jixieji@163