时间戳

首页 > 解决方案 > 是什么导致 GAN 生成的图像看起来与训练集中提供的图像不同

machine-learning - 是什么导致 GAN 生成的图像看起来与训练集中提供的图像不同

问题描述

我已经使用 keras实现了改进的 WGAN-GP 算法。使用的数据集是灰度开放街道网络图像。

一些时期之后的训练会产生不希望的（或与预期不同的）模式。

例如，真实图像看起来像这样（使用 8x4 网格绘制的 32 张图像） 在此处输入图像描述

虽然生成的图像看起来像这样（使用 8X2 网格绘制的 16 张图像） 在此处输入图像描述

注意：这是在 450 个 epoch 后收集的，每个 epoch 分为 22 个批次。你可以在这里找到我使用 keras 实现的模型

虽然预计结果看起来像带有车道（线和点）的道路网络，但它们看起来像封闭曲线（如国家或大陆地图）

我已经尝试了大多数建议用于训练 GAN 的提示和技巧，例如：

  1. 辍学以避免过度拟合问题
  2. 标签平滑以避免过度自信问题
  3. 用于解决模式崩溃的Wasserstein 和梯度惩罚成本函数
  4. 增加内核大小以加快收敛速度
  5. 训练判别器的次数比生成器多

但似乎没有一个工作。我不确定如何调试此问题，因为我不了解 GAN 的哪个超参数会导致此类问题。

如果有人在训练 GAN 时遇到类似问题，请帮助我了解可能导致此问题的原因以及需要调整哪些超参数。

TIA。

标签： machine-learningkerasdeep-learninggenerative-adversarial-network

解决方案

推荐阅读