(持續更新)
一、相關優質博客
二、論文細節知識點
- 1.hessian矩陣(表一):hessian矩陣實際上就是函數的二階導矩陣
Hessian矩陣在機器學習中的應用(拓展):即hessian矩陣能來找極值點 - 2.RNN簡單介紹,
- 3.自編碼器簡單介紹:個人理解爲類似無監督的學習算法,讓機器訓練出能保留原始數據較好特徵的權值矩陣,然後每次訓練當前層都先採用上一層的得到的權值矩陣。自編碼器通常被用於降維或特徵學習。本文裏提到這是一種加解密的模型,目的是使輸入和輸出的差異減小,可用於壓縮/解壓任務。
- 4.基本的GAN介紹裏包括WGAN:改進損失函數,提供訓練指標;
GAN進一步的原理解釋就是:以下摘自博主「JensLee」:
首先這個網絡模型(定義在上面),先傳入生成器中,然後生成器生成圖片之後,把圖片傳入判別器中,標籤此刻傳入的是1,真實的圖片,但實際上是假圖,此刻判別器就會判斷爲假圖,然後模型就會不斷調整生成器參數,此刻的判別器的參數被設置爲爲不可調整,d.trainable=False,所以爲了不斷降低loss值,模型就會一直調整生成器的參數,直到判別器認爲這是真圖。此刻判別器與生成器達到了一個平衡。也就是說生成器產生的假圖,判別器已經分辨不出來了。所以繼續迭代,提高判別器精度,如此往復循環,直到生成連人都辨別不了的圖片。
三、論文內容節選
1.表一:(私:LaTeX練習輸入)
符號 | 定義 |
---|---|
沒有修改、處理過的原始數據輸入 | |
分類問題中的標籤,。其中是類別數 | |
對抗樣本,即修改後的數據輸入 | |
在針對性對抗樣本中敵手的分類標籤 | |
深度學習模型(對於圖像分類任務來說,) | |
深度學習模型的參數 | |
損失函數 | |
原始的輸入數據和修改後輸入數據的差異: (輸入的數據是相同的尺寸) | |
範數 | |
梯度 | |
海森矩陣,二範數的一個拓展 | |
Kullback-Leibler (KL) 散度函數 |