简单GAN和DCGAN的区别
Difference between simple GAN and DCGAN
我正在探索生成对抗网络 (GAN)，我将其用于多项任务，而不仅仅是图像生成。
深度卷积GAN（DCGAN）是GAN的另一种专门用于图像数据的方法，DCGAN的特殊性在于它们在判别器中使用卷积层，而在生成器中使用转置卷积层。
在我的应用程序中，我在鉴别器中使用了卷积层，但我使用了一个简单的卷积，而不是对生成器使用转置卷积。
问题是，由于我不使用转置卷积，我目前使用的是 简单 GAN 还是 DCGAN
提前感谢您的回答，祝您有愉快的一天
GAN 由两部分组成：
- 伪造者：试图伪造的人，
- and The inspector: 谁试图抓住伪造者，通过检查 material 来区分它是真的还是假的。
这两个玩游戏的，每次都是伪造的，更难在ins[ector眼中分辨出来。每次 Inspector 成功检测到伪造者，这都是伪造者学习为什么被抓到的一个教训，并在下一次覆盖 himself/herself/itself 更好。
长话短说，这个游戏叫GAN！如何实现它以及选择架构实际上是您的选择。在我的理解中，DCGAN 将深度转换网络用于生成器部分（伪造者）。这并不是真正关于使用 ConvTranspose 或普通转换。
同样对于检查器，您实际上不必将其作为鉴别器来实现。例如，WGAN 被证明使用 Earth-mover 指标而不是分类损失是有效的。
但是，这些是我的意见和理解，可能不是 100% 正确。祝你好运
不只是转置卷积layers.Actually，它是尝试将Gans与卷积神经网络结合使用，并通过修改它来确保稳定的架构。他们的一些修改包括使用可学习的上采样和下采样而不是最大池化，在鉴别器的输出端用扁平化和 sigmoid 层代替完全连接的层，将批量归一化应用于除生成器的输出和鉴别器的输入之外的所有层以及一些更多的。
关于你的疑问，将你的架构称为 GAN 或 DCGAN 似乎有点像普通 Gan 架构一样令人困惑，没有卷积层 used.The 判别器和生成器在原始 GAN 中是完全连接的网络，混合了 relu 和 maxout activations respectively.In 为了将 CNN 与最初被认为不稳定的 GAN 一起使用，当时引入了一些论文，如 LAPGAN 和 DCGAN 。
话虽如此，你也不能将你的架构称为 DCGAN，除非你已经复制了整个训练细节和架构，尽管你可以说我的模型受到 DCGAN 的启发，几乎没有修改。
我希望这会稍微消除你的疑虑。
我正在探索生成对抗网络 (GAN)，我将其用于多项任务，而不仅仅是图像生成。
深度卷积GAN（DCGAN）是GAN的另一种专门用于图像数据的方法，DCGAN的特殊性在于它们在判别器中使用卷积层，而在生成器中使用转置卷积层。
在我的应用程序中，我在鉴别器中使用了卷积层，但我使用了一个简单的卷积，而不是对生成器使用转置卷积。
问题是，由于我不使用转置卷积，我目前使用的是 简单 GAN 还是 DCGAN
提前感谢您的回答，祝您有愉快的一天
GAN 由两部分组成：
- 伪造者：试图伪造的人，
- and The inspector: 谁试图抓住伪造者，通过检查 material 来区分它是真的还是假的。
这两个玩游戏的，每次都是伪造的，更难在ins[ector眼中分辨出来。每次 Inspector 成功检测到伪造者，这都是伪造者学习为什么被抓到的一个教训，并在下一次覆盖 himself/herself/itself 更好。
长话短说，这个游戏叫GAN！如何实现它以及选择架构实际上是您的选择。在我的理解中，DCGAN 将深度转换网络用于生成器部分（伪造者）。这并不是真正关于使用 ConvTranspose 或普通转换。
同样对于检查器，您实际上不必将其作为鉴别器来实现。例如，WGAN 被证明使用 Earth-mover 指标而不是分类损失是有效的。
但是，这些是我的意见和理解，可能不是 100% 正确。祝你好运
不只是转置卷积layers.Actually，它是尝试将Gans与卷积神经网络结合使用，并通过修改它来确保稳定的架构。他们的一些修改包括使用可学习的上采样和下采样而不是最大池化，在鉴别器的输出端用扁平化和 sigmoid 层代替完全连接的层，将批量归一化应用于除生成器的输出和鉴别器的输入之外的所有层以及一些更多的。 关于你的疑问，将你的架构称为 GAN 或 DCGAN 似乎有点像普通 Gan 架构一样令人困惑，没有卷积层 used.The 判别器和生成器在原始 GAN 中是完全连接的网络，混合了 relu 和 maxout activations respectively.In 为了将 CNN 与最初被认为不稳定的 GAN 一起使用，当时引入了一些论文，如 LAPGAN 和 DCGAN 。 话虽如此，你也不能将你的架构称为 DCGAN，除非你已经复制了整个训练细节和架构，尽管你可以说我的模型受到 DCGAN 的启发，几乎没有修改。 我希望这会稍微消除你的疑虑。