GAN论文逐段精读【论文精读】

Рет қаралды 21,312

跟李沐学AI

Күн бұрын

Пікірлер: 23

@JiancongXie Жыл бұрын

感谢每次都能以简单易懂的文字描述论文，希望解读得越来越好

@XZJAK 2 жыл бұрын

真不错，真的很不错！做的好，写的好，讲的好。讲论文这件事太有意义了！

@leefeng5067 2 жыл бұрын

谢谢李老师，论文系列，非常赞，受益终身

@expirinot8724 3 жыл бұрын

谢谢李老师！真的很喜欢这些读论文的videos!

@尹丹-q5w 2 жыл бұрын

谢谢李老师！您的论文精读视频对我非常有用，期待您的下一个video~

@chaozhang4751 3 жыл бұрын

期待接下来关于gan改进的工作的解读！！

@u2coldplay844 2 жыл бұрын

其实LSTM 是Sepp Hochreiter 91年的德文硕士论文改写的英文版(97年）， LSTM 名字来自于Geofrey Hinton 的建议。

@ruth-sevenj1244 6 ай бұрын

终于能看懂了

@abrayang4189 Жыл бұрын

感谢！

@zhanlucas935 Жыл бұрын

感谢

@dragonlive0202 3 жыл бұрын

学渣都听得懂，真的牛

@hubertv5794 2 жыл бұрын

真正的学渣是不会看这种视频的

@melodychou5465 Жыл бұрын

diffusion model可以接續再講下去嗎？現在甚至diffusion segmentation 有沒有機會在說一下這個議題

@kalex9631 5 ай бұрын

不能分开也可能是分类器不够强大

@xugangye6494 Жыл бұрын

Regarding the min max optimization objective function, it's actually as same as cross-entropy negative loss = sum{y_i*logP(y_i|x_i) + (1- y_i)*log(1-P(y_i|x_i)) for i}, where the posterior P(y_i|x_i) = D(x_i; theta_D) is discriminator. negative loss = sum{logD(x_i; theta_D) for i: y_i = 1} + sum{log(1-D(x_i; theta_D)) for i: y_i = 0} = sum{logD(x_i; theta_D) for i: y_i = 1} + sum{log(1-D(g(z_i; theta_g); theta_D)) for i: y_i = 0} The min max optimization is to 1 maximize negative loss (over D) when g is fixed. In this step, both two parts are involved. 2 minimize negative loss (over g) when D is fixed. In this step, only the part containing g is involved.