ANHANG A
Ideale Verlustwerte
Wenn wir ein GAN trainieren, streben wir als Idealzustand ein Gleichgewicht zwischen dem Generator und dem Diskriminator an. Wird dieser Zustand erreicht, ist der Diskriminator nicht mehr in der Lage, echte Daten von generierten Daten zu unterscheiden. Denn der Generator hat dann gelernt, Daten zu erzeugen, die so aussehen, als stammten sie aus dem echten Datensatz.
Finden wir heraus, wie groß der Diskriminatorverlust sein sollte, wenn dieses Gleichgewicht erreicht ist. Wir werden das sowohl für den mittleren quadratischen Fehler als auch die binäre Kreuzentropie tun.
MSE-Verlust
Die Definition des Verlusts auf Basis des mittleren quadratischen Fehlers ist einfach: Die Differenz zwischen dem Wert, der aus einem Ausgabeknoten ...
Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.
Read now
Unlock full access