阅读小结：Unsupervised Representation with Deep Convolutional Generative Adversarial Networks

CNN应用于无监督学习。将这种CNN称为DCGANs

1.提出和评估了DCGANs 有一些结构上的限制，让他可以stable的去训练。

2.利用图像分类任务训练的discriminator，证明了他们有无监督学习的潜力。（这是迁移学习？）

证明了他们的adversarial pair学习到了一个  hierarchy of representations  从物体的部分到整个场景 

以下G代表 generator D代表discriminator

How

1.model上使用了4个策略：

a.使用全卷积网络，代替pooling。可以让网络去学习upsampling／downsampling的方式（使用在G和D上）

b.作者发现average pooling增加了net的稳定性但减慢了收敛速度。在D中最后一层conv结果fc，然后使用了sigmoid。

c.用batchnormalization ，有助于pool initialisation和深的网络中传递梯度。防止G把所有rand input都掉到一个局部极值。（G的输出层不用，D的输入层不用，其他都用）

d.G中除了输出使用Tanh，其他都用 ReLu  ; D中都用Leaky ReLu

关于G的实验：

1.输入有窗的图片给G

然后去除响应值高的filter，发现G会用电视啊墙啊来替代窗。

2.可以对输入算一个平均

比如 生成男人的平均vector A 和生成女人的平均 vector B  还有生成 戴墨镜的女人的平均vector C    

观察到了 C－B＋A ＝ 生成了戴墨镜的男人    （这个很合理，也很屌啊）

我写邮件给luke二作，他给我回的邮件如下

最后

以上就是执着金针菇为你收集整理的阅读小结：Unsupervised Representation with Deep Convolutional Generative Adversarial Networks的全部内容，希望文章能够帮你解决阅读小结：Unsupervised Representation with Deep Convolutional Generative Adversarial Networks所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。