网站排名掉了网站备案核验点

网站排名掉了,网站备案核验点,建设门户网站 业务模板,怎能建设个人网站13.1 生成对抗网络基础：极小极大博弈、训练稳定性与模式崩溃 生成对抗网络是一种通过对抗过程来估计生成模型的框架。其核心思想在于同时训练两个相互博弈的神经网络：一个生成器和一个判别器，二者在动态竞争中共同进化，最终使生成器能够产出足以乱真的数据样本。本节将深入…13.1 生成对抗网络基础：极小极大博弈、训练稳定性与模式崩溃生成对抗网络是一种通过对抗过程来估计生成模型的框架。其核心思想在于同时训练两个相互博弈的神经网络：一个生成器和一个判别器，二者在动态竞争中共同进化，最终使生成器能够产出足以乱真的数据样本。本节将深入解析GAN的理论基础——极小极大博弈，并系统探讨其训练过程中面临的两个核心挑战：训练稳定性与模式崩溃。13.1.1 极小极大博弈：对抗训练的理论框架GAN的灵感来源于博弈论中的二人零和博弈。在该框架下，生成器和判别器是两个互为对手的玩家，它们通过优化一个共同的价值函数进行竞争[1]。13.1.1.1 基本定义与目标函数设生成器GGG是一个映射函数，它将一个从先验分布pz(z)p_z(z)pz​(z)（如标准正态分布）中采样的噪声向量zzz映射到数据空间，生成样本G(z)G(z)G(z)。生成器的目标是学习数据xxx的真实分布pdata(x)p_{data}(x)pdata​(x)，使得生成的样本G(z)G(z)G(z)的分布pgp_gpg​尽可能接近pdatap_{data}pdata​。判别器DDD是一个二分类器，其输入是一个样本xxx（可以是真实数据，也可以是生成数据），输出一个标量，表示xxx来自真实数据分布pdatap_{data}pdata​而非生成分布pgp_gpg​的概率。GAN的训练目标可以表述为一个极小极大博弈，其价值函数V(D，G)V(D， G)V(D，G)为：min⁡Gmax⁡DV(D，G)=Ex∼pdata(x)[log⁡D(x)]+Ez∼pz(z)[log⁡(1−D(G(z)))] \min_{G} \max_{D} V(D， G) = \mathbb{E}_{x \sim p_{data}(x)}[\log D(x)] + \mathbb{E}_{z \sim p_z(z)}[\log(1 - D(G(z)))]Gmin​Dmax​V(D，G)=Ex∼p