1樓：koap
1、為什麼要輸入隨機雜訊：
GAN的理論基礎就是，用已知的分布去逼近未知分布。
2、可不可以什麼都不輸入：
你可以點石成金，但不可以無中生有。
2樓：靈劍
因為現在的網路結構沒有隨機性，輸入乙個確定的值就只能輸出乙個確定的值。如果將來有人引入乙個隨機數運算元的話也許就不需要這個隨機數輸入了，但估計得改造現在的訓練過程。
3樓：[已重置]
隨機雜訊就是個高斯分布的隨機變數，GAN本來就是完成乙個分布的配準變換，GAN的生成器就是把乙個高斯分布（或者其他先驗的隨機分布）變換成目標資料分布，這裡實際是把輸入的隨機變數當成了資料的latent space。 實際上也有一些工作在G之前加上另外乙個變換網路T，T的作用是把資料的隨機變數變換到資料表達的latent variable空間，然後再通過G生成資料，這樣一來可以保證系統在latent space具有更好的語義和操作性。至於你說的什麼也不輸入，這是不行的，網路是乙個資訊處理系統，怎麼能沒有輸入值呢。
生成對抗網路 GAN 相比傳統訓練方法有什麼優勢
主流生成模型 Ian Goodfellow,Tutorial on Generative Adversarial Networks,2017 可以看到GAN的本質屬性之一是implicit density。個人理解也就是隱式建模迴避了複雜建模過程，你可以全部交給Neural Nets去處理，缺點同樣...
生成對抗網路GAN如果只訓練乙個網路會有效果麼？
Chuang 這其實是乙個很有趣的問題。在實踐過程中，如果把判別器 Discriminator 訓練得太好了，看似能夠在對抗中更加有效的拒絕生成器 Generator 生成的假樣本，但是其實一樣會產生諸多問題。判別器最主要的作用就是為生成器提供下降梯度。如果判別器太差，則無法提供有效的梯度，同時判別...
生成對抗網路GAN和強化學習RL有什麼緊密聯絡？
王雋 以下是個人粗淺的理解 兩者相似之處 以RL中的actor critic為例，actor和critic分別相當於GAN的generator，discriminator。critic discriminator通過學習打分策略，對actor generator的表現進行評價 判別。兩者不同之處 R...