按年被提到
20162016 · 3 次2026
视觉、语音与图像生成›生成对抗网络·arXiv:1606.03498 · cs.LG

Improved Techniques for Training GANs

改进的 GAN 训练技术
Tim Salimans, Ian Goodfellow, Wojciech Zaremba, Vicki Cheung, Alec Radford, Xi Chen · 2016

一套 GAN 架构与训练技巧,用于半监督学习和逼真图像生成

开始阅读 ↗PDFalphaXiv 讨论
被推荐 · 4 人首次 2016-06-14 · 最近 2017-01-16
4不同的人
3活跃月份
4讨论串
6,956被引(OpenAlex)

提出一系列用于生成对抗网络(GAN)框架的新架构特性和训练方法,聚焦半监督学习和生成人眼觉得逼真的图像两类应用。作者的主要目标不是让模型对测试数据有高似然,也不要求不用标签。用这些新技术在 MNIST、CIFAR-10 和 SVHN 的半监督分类上取得当时最优结果;视觉图灵测试显示,生成的 MNIST 样本人类分不出真假,CIFAR-10 样本的人类错误率为 21.3%,还展示了前所未有分辨率的 ImageNet 样本。

HN 为什么提它

HN 上的人把它作为改进 GAN 训练的参考,用来理解 GAN 与博弈论的联系,并作为 OpenAI GAN 工作的例证。

方法难度 4 / 5约 40 分钟经得起时间
读之前最好知道
1生成对抗网络(GAN)基础
2卷积神经网络
3博弈论与纳什均衡
4半监督学习
5神经网络训练技巧(批归一化等)

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
推荐attractivechaos · 2017-01

“The wiki entry of Nash equilibrium [1] and this recent preprint on improving GAN training [2] may help you understand the link between GAN and game theory.”

推荐它帮助理解 GAN 与博弈论的联系
Game Theory Reveals the Future of Deep Learning原评论 ↗
引用andreyk · 2016-06

“Improving GANs Improved Techniques for Training GANs”

在生成模型论文汇总里列出这篇改进 GAN 的工作
Generative Models原评论 ↗
引用nl · 2016-08

“All their work on GANs[1][2] has been great”

拿 OpenAI 的 GAN 工作当作他们成果出色的例证
OpenAI Team Update原评论 ↗
被提交为 story · 1 次