擅长:python、mysql、java
<ol>
<li><p>您现在可以检查<a href="https://arxiv.org/abs/1606.03498" rel="nofollow noreferrer">Inception Score</a>和<a href="https://arxiv.org/abs/1706.08500" rel="nofollow noreferrer">Frechet Inception Distance</a>。还有<a href="https://machinelearningmastery.com/how-to-evaluate-generative-adversarial-networks/" rel="nofollow noreferrer">here</a>。问题是,GAN没有统一的目标函数(有两个网络),没有统一的方法来评估和比较GAN模型。相反,人们设计了与图像分布和生成器分布相关的度量</p></li>
<li><p>wGAN可能更快,因为它有更稳定的训练程序,而不是普通的GAN(Wasserstein度量、重量剪裁和梯度惩罚(如果您正在使用它))。我不知道是否有关于速度的文献分析,对于WGAN来说,速度可能并不总是比简单的GAN快。WGAN找不到像GAN这样最好的纳什均衡病毒</p></li>
<li><p>考虑两种分布:p和q。如果这些分布重叠,即它们的域重叠,那么KL或JS散度是可微的。当p和q不重叠时,问题就出现了。在WGAN的论文示例中,假设二维空间上的两个PDF,V=(0,Z),Q=(K,Z),其中K不同于0,Z从均匀分布中采样。如果你试图对这两个PDF的KL/JS发散量求导,你就做不到。这是因为这两个散度将是一个二元指示函数(相等或不相等),我们不能对这些函数求导。然而,如果我们使用瓦瑟斯坦损耗或地球移动器距离,我们可以采用它,因为我们将其近似为空间上两点之间的距离<strong>简而言之:当分布有重叠时,正常的GAN损失函数是连续的,否则它是离散的。</strong></p></li>
</ol>
<p>希望这有帮助</p>