1
GAN固有的类别不平衡问题?在一个GAN中,有两个网络互相作用,一个是分类器,对手试图通过生成假图像来欺骗分类器。所有从GAN生成的图像都是假货,所以如果算法运行时间足够长,就必须存在类别失衡,对吗?GAN固有的类别不平衡?
GAN固有的类别不平衡问题?在一个GAN中,有两个网络互相作用,一个是分类器,对手试图通过生成假图像来欺骗分类器。所有从GAN生成的图像都是假货,所以如果算法运行时间足够长,就必须存在类别失衡,对吗?GAN固有的类别不平衡?
不正确,但您有一些基本概念是正确的。
分类器也训练真实图像。目标是准确区分这些真实图像和发电机的假货。
对手的目标是生成图像来欺骗分类器。
模型构建器(即您)在每次迭代中选择真实和假图像之间的平衡。这支持实验来确定最有效的比例。
确实,真实图像具有固定的总体,并且生成的图像实际上是无限的。然而,“阶级失衡”这个概念在这里并不适用:在每次迭代之后,旧的伪造图像被新的图像取代。旧图像对于早期训练是有用的,但在单次暴露于分类器之后不会使用。
如果您不断重复使用真实图像,它们不会引入新信息,那么为什么您会在以后的迭代中重复使用它们? – user3450049
出于同样的原因,我们在任何其他培训场景中重复使用它们。培训是一个持续改进的过程,而不是一个封闭的解决方案。我们重新审视每个输入,直到模型收敛。 – Prune