GAN训练tricks
- generator的末了一层一样平常利用tanh激活函数，这样可以使训练更加稳定。但是我在实际用的时间，利用sigmoid和tanh的效果是差不多的；
- 需要注意：discriminator的末了一层的输出的激活函数选择tanh，会导致cuda trigger问题，因此，一样平常来说，discriminator会选择sigmoid函数作为激活函数。
- 在实际训练的时间，G的loss在不断地降落，而D的loss在上升，这不是说网络性能不好，是正常的，只要两者loss末了收敛到一个比较稳定的值附近就可以。
- G的学习率通常来说比D的学习率大一个数量级就会好许多。
PatchGAN (FCN)
当天生的图片过大时，可能天生的图片中只有局部区域存在伪影，而别的部门天生质量很好，此时若让鉴别器对整张图片进行判断，那么一个单一的数值可能无法良好地描述这张图片的质量。 PatchGAN 把一张完整的待判断图片利用滑动窗口裁剪成 70x70 巨细的小图片。接着将这些图片依次输入鉴别器进行判断。末了将鉴别器对多张小图的评分求和，作为最终评分。
我的看法：这种布局和 FCN 全卷积网络 Fully Convolutional Network 不谋而合，若在 FCN 感受野到达 70x70 的那一层进行均值池化，则其效果与 patchGAN 是类似的，甚至用 FCN 更好。
BN为什么利用mini-batch？
主要是由于目前主流的梯度更新方式是mini-batch gradient decent，小批的梯度降落，这种方法把数据分为若干个批，按批来更新参数，这样，一个批中的一组数据共同决定了本次梯度的方向，降落起来就不容易跑偏，淘汰了随机性。另一方面因为批的样本数与整个数据集相比小了许多，盘算量也不是很大。
为什么BN层一样平常用在线性层和卷积层背面，而不是放在非线性单位后
因为非线性单位的输出分布形状会在训练过程中变化，归一化无法消除它的方差偏移，相反的，全连接和卷积层的输出一样平常是一个对称,非稀疏的一个分布，更加类似高斯分布，对他们进行归一化会产生更加稳定的分布。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。 |
