CAN(创造性对抗网络)-解释
CAN(创造性对抗网络)-解释
原文：https://medium.com/hackernoon/can-creative-adversarial-network-explained-1e31aea1dfe8
很显然，GANs(生成敌对网络)在创造有趣的内容方面非常成功，这些内容相当抽象，很难按程序创建。这篇名为 CAN (创造性，而非生成性，对抗性网络)的论文探讨了机器生成创造性内容的可能性。
原文可以在这里找到
本文 假设熟悉 与 神经网络 ，以及它们的本质方面，包括 损失函数 和 卷积。
Figure 1.0
这篇文章的结构
我将尽可能遵循论文的结构。我将添加我自己的比特来帮助更好地理解材料。
GAN 概述
GAN 的由两个竞争的神经网络组成，即发生器和鉴别器。顾名思义，生成器负责从一些输入中生成数据(这些输入可以是噪声，甚至是一些其他数据)。然后，鉴别器负责分析该数据，并鉴别该数据是真实的(如果它来自我们的数据集)还是虚假的(如果它来自生成器 ) 。形式上可以看做是生成器和鉴别器像一样玩的一个 minimax 游戏所以:
Equation 1.0
放松点！
如果上面的等式对你来说太复杂，你并不孤单。我将一步一步地研究这个等式，并解释每个分量的含义。
Equation 1.1
这是 极小极大方程式 的符号。G 和 D 下标分别代表Ggenerator 和 D iscriminator。生成器的工作是 Mini mise 等式 1.0 的值，而鉴别器的工作是Maxmise 它。他们都无休止地相互竞争(直到我们决定停止)。
Equation 1.2
当给定输入 x ( x 是来自真实数据集的数据)时，鉴别器对它认为是真实的数据的输出。
Equation 1.3
这将计算鉴别器对来自生成器的输入做了什么。 D(G(z)) 表示鉴别器 认为是真实的数据。do1-D(G(z))表示鉴别器认为不真实的数据。 G(z) 表示生成器生成的数据。
综上所述，鉴别者的工作就是评估
Equation 1.4
尽可能大，而生成器的工作是通过最大化的值使等式 1.4 的值尽可能小
Equation 1.5
更详细的解释可以在http://wiki . UBC . ca/Course:CPSC 522/Generative Adversarial Networks找到
直观定义
生成器将尝试修改自己，以使鉴别器将自己的创建作为真实的传递，而鉴别器将修改自己，以便能够继续辨别差异。
但这不就是单纯的模仿吗？
是的，它是！请注意，生成器的目的是欺骗鉴别器，使其认为生成的数据尽可能与真实数据相匹配。那么最好的方法是什么呢？使它的输出看起来非常像真实的数据！
如果你想让你的网络有创意，这是一个问题。你的生成器不会学习创建新的内容，但是它会试图让输出看起来像真实的数据。
解决方案？创造性对抗网络
作者提出了一种改进的 GAN 来产生创造性内容。他们建议向发生器发送附加信号以防止产生与现有内容过于相似的内容。他们是怎么做到的？他们修改了等式 1.4 中的原始 GAN 损失函数。
CAN 的直观解释
在最初的 GAN 中，生成器根据鉴别器的输出修改其权重，以确定它生成的内容是否能够欺骗鉴别器。CAN 以两种方式对此进行扩展:
- 鉴别器不仅会鉴别它认为数据是真是假，而且另外还会和 对艺术品所属的时间段**时间段进行分类。**
- 生成器将接收来自鉴别器的关于时间周期的附加信息，并将该度量与来自鉴别器的真实/虚假输入一起使用。
这样做有什么意义？
甘最初的问题是他们不愿意探索新的工作。他们的目标就是让他们的数据看起来像来自真实的数据集。
通过使用对数据所属时间段进行分类的附加指标(以及置信度)，生成器现在可以获得关于其创建与某个时间段有多相似的反馈。
现在，生成器不仅要使其数据看起来类似于数据集，还要确保它看起来不会太类似于单个类别。这将允许它防止创建具有非常具体的特征的艺术品。
新的损失函数是:
Equation 2.0
真的很简单！
第一行和原始方程完全一样。注意，下标 r 表示鉴别器的真/假输出，下标 c 是鉴别器分类的输出。 第二行是促进创造性的修饰。我会一步步解释。
Equation 2.1
这是正确获取输入图像类别的鉴别器。鉴别器将尝试最大化这个值。我们希望鉴别器能够正确地对图像进行分类。
Equation 2.2
这看起来可能很复杂，但这只是多标签交叉熵损失 T4。注意，这里的 K 表示类的数量。你可以在这里找到关于损失[的详细信息。这与分类器用作损失函数的损失相同。发电机将尝试最小化该值，以最大化等式 2.0。](http://christopher5106.github.io/deep/learning/2016/09/16/about-loss-functions-multinomial-logistic-logarithm-cross-entropy-square-errors-euclidian-absolute-frobenius-hinge.html)
方程式 2.2 的直观解释
等式 2.2 的工作方式是，如果其中一个类得分的值接近 1 或 0，则整个等式的值接近-无穷大。当鉴别器完全不确定输入属于哪一类时，即求和中的每一项都具有相同的值时，等式 2.2 可以采用的最大可能值(更大的值是生成器想要的)。这是有意义的因为不可能正确地将输入图像分类到现有的类别中，所以这意味着它是它自己的新类别。
结论
本文讨论了一个损失函数，该函数推动 GAN 根据所给内容探索新内容。这是通过修改损失函数以允许探索来实现的。
附言
这是我的第一个技术职位。欢迎批评和改进建议，并非常感谢。
如果你从我的文章中学到了一些有用的东西，请点击❤.与他人分享它让我知道我是有帮助的。
**
**
