GAN论文逐段精读【论文精读】

更多论文精读：github.com/mli...

[@JiancongXie]

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]

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！

[@chaozhang4751]

期待接下来关于gan改进的工作的解读！！

[@leefeng5067]

谢谢李老师，论文系列，非常赞，受益终身

[@expirinot8724]

谢谢李老师！真的很喜欢这些读论文的videos!

[@尹丹-q5w]

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~

[@ruth-sevenj1244]

终于能看懂了

[@u2coldplay844]

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。

[@dragonlive0202]

学渣都听得懂，真的牛

[@hubertv5794]

真正的学渣是不会看这种视频的

[@deepml-h8k]

感谢！

[@melodychou5465]

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

[@zhanlucas935]

感谢

[@kalex9631]

不能分开 也可能是分类器不够强大

[@xiaotianxiaotian9974]

顶顶沐神

[@minglee5164]

Wow

[@CTT36544]

能具体说说0:22和0:27这两个 projects么？或者，有人有这两个projects的代码或者相关论文么？谢谢！

[@xugangye6494]

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.

[@noseafoodlee2878]

原来这个gan真的有那个意思....

[@justinzhao-x3d]

GAN：道高一尺，魔高一丈。

[@ralfchen8917]

原来是这个"GAN"

[@user-wzb]

想起账号了！

[@ilpreterosso]

感谢