generative中文翻译,generative是什么意思,generative发音、用法及例句
- 内容导航:
- 1、generative
- 2、【模型解读】历数GAN的5大基本结构
1、generative
generative发音
英:[ˈdʒenərətɪv] 美:[ˈdʒenərətɪv]
英: 美:
generative中文意思翻译
常用释义:有生产力的
adj.生殖的;生产的;有生殖力的;有生产力的
generative常用词组:
generative grammar───生成文法;衍生语法
generative mechanism───生成机制;衍生机构
generative process───生成过程;衍生过程
generative双语使用场景
1、While Generative Semantics is no longer regarded as a viable grammatical model, it is important in a number of ways.───尽管生成语义学已不再被视为一个可行的语法模型,但它仍然在许多方面显露出它的重要性。
2、Increasing the generative chemical reaction parameter increases the surface heat transfer rate and decreases the surface mass transfer rate.───增大生成化学反应会增加表面热传递而减少质量传递。
3、no microbody in the generative cell but many microbodies were present in the tube cell cytoplasm.───生殖细胞内不具微体,而管细胞的细胞质有较多的微体。
4、Mr Zittrain calls it "generative" : people can tinker with it, creating new services and elbowing existing ones aside.───紫泉先生称之为“生产性”:人们可以对他进行小修小补,建立新的服务让现有的靠边站。
5、The Singapore Exchange is under-leveraged compared with its peers, and is highly cash generative.───新交所的杠杆率低于同行,而且现金生成能力很强。
6、Chomsky's generative grammar further excludes social and cultural elements out of the linguistic research.───乔姆斯基的生成语法更是将语言的社会和文化因素排除在语言学研究之外。
7、many proposals originally disputed by generative semanticists have since appeared in the interpretivist literature.───此后,生成语义学家最初提出的许多建议都出现在解释主义文献中。
8、A generative value is a quality or attribute that must be generated, grown, cultivated, nurtured.───就是一种需要被产生、成长、培养与呵护的特质或属性。
9、But it is only by building a new foundation that we will once again harness that incredible generative capacity of the American people.───但这需要我们建立一个新的基础才能使得美国人民的无穷的创造力得以施展。
generative相似词语短语
1、federative───adj.联合的;联邦性的
2、generalise───vt.概括;归纳;普及;vi.推广;笼统地讲;概括(等于generalize)
3、generate───vt.使形成;发生;生殖;产生物理反应
4、generalize───vt.概括;推广;使...一般化;vi.形成概念
5、degenerative───adj.(疾病)恶化的,变性的;退化的,变坏的
6、penetrative───adj.渗透的;有穿透力的;彻骨的
7、regenerative───adj.再生的,更生的;更新的
8、enervative───退化的
9、venerative───崇敬的
2、【模型解读】历数GAN的5大基本结构
首发于微信公众号《有三AI》
模型解读历数GAN的5大基本结构
生成对抗网络是近几年来无监督学习领域里最大的进展,被誉为下一代深度学习,不管是研究热度还是论文数量,已经逼近甚至超越传统判别式的CNN架构。
这一次我们简单介绍一下生成对抗网络的主流模型结构,从一个生成器一个判别器到多个生成器多个判别器。
作者 | 言有三
编辑 | 言有三
我们这一期文章不打算从头开始讲述GAN,所以如果大家没有相关基础的,就先看一下我们上一期GAN的介绍。
技术综述有三说GANs(上)
一个基本的用于生成图像的GAN的结构就是这样的。
Generator就是生成器,它输入噪声,输出产生的图像。通常噪声就是一个一维的向量,经过reshape为二维图像,然后利用若干个反卷积层来学习上采样。
如全卷积的DCGAN模型[1],输入就是1*100的向量,然后经过一个全连接层学习,reshape到4*4*1024的张量,再经过4个上采样的反卷积网络,生成64*64的图。
Discrimator就是普通的CNN分类器,输入真实样本或者生成的假样本进行分类,在DCGAN中也是4个卷积层。
采用多个判别器[2]的好处带来了类似于boosting的优势,训练一个过于好的判别器,会损坏生成器的性能,这是GAN面临的一个大难题。如果能够训练多个没有那么强的判别器,然后进行boosting,可以取得不错的效果,甚至连dropout技术都可以应用进来。
多个判别器还可以相互进行分工,比如在图像分类中,一个进行粗粒度的分类,一个进行细粒度的分类。在语音任务中,各自用于不同声道的处理。
一般来说,生成器相比判别器要完成的任务更难,因为它要完成数据概率密度的拟合,而判别器只需要进行判别,导致影响GAN性能的一个问题就是模式坍塌,即生成高度相似的样本。
采用多个生成器单个判别器的方法,可以有效地缓解这个问题。
从上图结构可以看出,多个生成器采用同样的结构,在网络的浅层还共享权重。
在利用GAN进行半监督的图像分类任务时,判别器需要同时担任两个角色,即判别生成的假样本,以及预测类别,这对判别器提出了较高的要求。通过增加一个分类器可以分担判别器的工作量,即将捕捉样本和标签的条件分布这一任务交给生成器和分类器,而判别器只专注于区分真实样本和生成的样本。
这一类结构以Triple Generative Adversarial Nets为代表,下图是它的网络结构。
多个生成器和多个判别器就又有几种。
5.1 级联结构[5]
早期以DCGAN为代表的网络生成的图片分辨率太低,质量不够好,都不超过100×100,在32×32或者64×64左右。这是因为难以一次性学习到生成高分辨率的样本,收敛过程容易不稳定。
类似的问题在图像分割,目标检测中都存在。在目标检测中,级联网络被广泛使用,即采用从粗到精的方法依次改进检测器的性能。在图像分割中进行上采样时也采用学习小倍率的放大而不是大倍率的方法,如利用两个2倍上采样替换一个4倍的上采样,不仅可以增强网络的表达能力,还降低了学习难度。
基于此,金字塔GAN结构被提出并广泛使用,它参考图像领域里面的金字塔结构由粗到精一步一步生成图像,并添加残差进行学习。
上图就是它的结构,从低分辨率z3开始,逐级提升,最终生成I0,这是一个金字塔形状的结构,以下符号较多用图片代替。
5.2 并行与循环结构[6]
GAN有一大应用就是风格化,实现两个域之间的风格互换,以CycleGAN[6]为典型代表。它包含了多个生成器和多个判别器。Cycle的典型结构如下:
X和Y分别表示两个域的图像,可知这里存在两个生成器G和F,分别用于从X到Y的生成和Y到X到生成,包含两个判别器,分别是Dx和Dy。而损失本身也增加了一个循环损失,感兴趣读者可以去细读文章。
另外在cross domain学习中也常用到多判别器多生成器多结构,分别学习不同的域。而且各个域的判别器和生成器通常会共享一些权重,如下图是CoGAN[7]的网络结构。
另外还有一些零零散散的结构,比如3D GAN,RNN GAN,由于都是上面这几类的变种,不再统一介绍。
[1] Radford A, Metz L, Chintala S, et al. Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks[J]. international conference on learning representations, 2016.
[2] Durugkar I P, Gemp I, Mahadevan S, et al. Generative Multi-Adversarial Networks[J]. international conference on learning representations, 2017.
[3] Ghosh A, Kulharia V, Namboodiri V P, et al. Multi-Agent Diverse Generative Adversarial Networks[J]. computer vision and pattern recognition, 2018: 8513-8521.
[4] Chongxuan L I, Xu T, Zhu J, et al. Triple Generative Adversarial Nets[J]. neural information processing systems, 2017: 4088-4098.
[5] Denton E L, Chintala S, Szlam A, et al. Deep generative image models using a Laplacian pyramid of adversarial networks[J]. neural information processing systems, 2015: 1486-1494.
[6] Zhu J, Park T, Isola P, et al. Unpaired Image-to-Image Translation Using Cycle-Consistent Adversarial Networks[J]. international conference on computer vision, 2017: 2242-2251.
[7] Liu M, Tuzel O. Coupled Generative Adversarial Networks[J]. neural information processing systems, 2016: 469-477.
本系列的完整目录:
模型解读从LeNet到VGG,看卷积+池化串联的网络结构
模型解读network in network中的1*1卷积,你懂了吗
模型解读GoogLeNet中的inception结构,你看懂了吗
模型解读说说移动端基准模型MobileNets
模型解读pooling去哪儿了?
模型解读resnet中的残差连接,你确定真的看懂了?
模型解读“不正经”的卷积神经网络
模型解读“全连接”的卷积网络,有什么好?
模型解读从“局部连接”回到“全连接”的神经网络
模型解读深度学习网络只能有一个输入吗
模型解读从2D卷积到3D卷积,都有什么不一样
模型解读浅析RNN到LSTM
版权声明: 本站仅提供信息存储空间服务,旨在传递更多信息,不拥有所有权,不承担相关法律责任,不代表本网赞同其观点和对其真实性负责。如因作品内容、版权和其它问题需要同本网联系的,请发送邮件至 举报,一经查实,本站将立刻删除。