生成對(duì)抗網(wǎng)絡(luò)中譯版方法部分

一個(gè)可表達(dá)的生成器參數(shù)后驗(yàn)分布，BayesianGAN避免了模式崩潰問(wèn)題，并產(chǎn)SVHN,CelebA,CIFAR-103GANs和DCGANensembles。成對(duì)抗網(wǎng)絡(luò)（generativeadversarialnetworks，GANs）(Goodfellowetal.,2014)和變分自編碼（variationalautoencoders）(KingmaandWelling,2013)算法已經(jīng)在該GANs通過(guò)一個(gè)深度神經(jīng)網(wǎng)絡(luò)將白噪聲轉(zhuǎn)化為一個(gè)從某一數(shù)據(jù)分布中產(chǎn)生的候compositionmetrics（此，使用了卷積神經(jīng)網(wǎng)絡(luò)的GANs反過(guò)來(lái)能夠在圖像上生成較好的隱含分布distribtionGANscollapse的可能性（原文：weachieveinfinitelikelihood（譯者注：意思可能是：能夠擬whichisnotusefulforageneralizabledensityestimate（譯者注：意思可能是：模型缺少泛化能力GANs的訓(xùn)練過(guò)程中需要很大程度的人為介入，包matchingsmoothingbatchdiscrimination）(Radfordetal.,2015;Salimansetal.,2016)。為了緩解這些實(shí)f散度（Nowozinetal.,2016）Wasserstein散度(Arjovskyetal.,我們也很難確定應(yīng)該用哪種散度指標(biāo)進(jìn)行GANs的訓(xùn)練。獲得改善。確實(shí)，生成器的參數(shù)的后驗(yàn)分布可能是廣泛且高度多模態(tài)的（multimodal（optimization）GAN訓(xùn)練過(guò)程總是將網(wǎng)絡(luò)權(quán)重的整個(gè)后驗(yàn)分布都估計(jì)為以單一這一推斷出來(lái)的數(shù)據(jù)分布便可以用來(lái)實(shí)現(xiàn)準(zhǔn)確的，高數(shù)據(jù)效率（highlydata-（stochasticgradientHamiltonianMonteCarlo）方法實(shí)現(xiàn)生成器和判別器權(quán)重后驗(yàn)些基準(zhǔn)數(shù)據(jù)集包括：SVHNMNISTCIFAR-10,CelebA。該方法的一個(gè)最大優(yōu)Bayesian;dd式有無(wú)限種可能。生成器此刻是在表示數(shù)據(jù)分布上的分布（distributionoverdata（1從p(θg)中采樣θ（2從p(z)中采樣z(1),…,z(n)（3） 對(duì)于后驗(yàn)推斷，我們?cè)?.1-2.2節(jié)提出了無(wú)監(jiān)督和半監(jiān)督范式。Tranetal.(2017)中簡(jiǎn)要地提到了使用Karaletsos（2016Tranetal.(2017)則在該后驗(yàn)θg，θd的后驗(yàn)分布上做推斷，我們可以分別從下面的條件后驗(yàn)分布中采和α。nn分別是判別器和生成器的小批量樣本數(shù)。我們定義：X={x(i)}nd p(z)zG(z;θg)θd方程（1）θg附近區(qū)域的后驗(yàn)概率p(θg|z,θd)的值會(huì)相應(yīng)增加（因此其他區(qū)域的值就會(huì)降低θd的后驗(yàn)分布，方程（2）的前兩項(xiàng)構(gòu)成了判別分類似然（discriminativeclassicationlikelihoodz：p(θd|z,X,θg)z的函數(shù)時(shí)，有理由認(rèn)為它們的形式多種多樣，因whenviewedasafunctionofz,shouldbereasonablybroadoverzbyconstruction,procedure我們應(yīng)該注意的是，對(duì)于p(θd|θg)的近似會(huì)相對(duì)更差，這是因?yàn)樗囊蕾囉诜匠苔萪的樣本反過(guò)來(lái)會(huì)形成一個(gè)判別器聯(lián)盟，這增強(qiáng)了整體的對(duì)抗信號(hào)，因此會(huì)檢查其對(duì)半監(jiān)督學(xué)習(xí)的影響，這是我們?cè)诘?節(jié)中試驗(yàn)的重點(diǎn)。GANK分類的半監(jiān)督學(xué)習(xí)設(shè)n個(gè)無(wú)標(biāo)簽的觀測(cè)樣本，{x{i}}，同時(shí)（通常是很少的數(shù)量）structure目的是在新的發(fā)測(cè)樣本x*上獲得比僅使用有標(biāo)簽數(shù)據(jù)訓(xùn)練時(shí)更好的類別預(yù)測(cè)結(jié)nsns≤n2.1節(jié)中一樣，我們可以使用蒙特卡洛采樣實(shí)現(xiàn)近似邊緣化z的計(jì)算。GAN2.12.2節(jié)半監(jiān)督學(xué)習(xí)給出的公（SGHMC（Che3（1）SGHMCSGD方法很像，而后（2速率和動(dòng)量項(xiàng)）SGHMC中；最重要的一點(diǎn)是（3）將貝葉斯方法引入GAN推斷的好處在于，它可以探索生成器權(quán)重的多模態(tài)分布，能做到這一點(diǎn)正是得益于SGHMC方法，它使得我們能夠完全捕獲數(shù)據(jù)分布的復(fù)雜性和熵（entropy（就能計(jì)算損失的梯度了。SGHMCHMC，使其能使用一種在大量批次中保證充分混合的方法利用這一梯度的噪聲估計(jì)（原文：SGHMCextendsHMCtothecasewhereweusenoisyestimatesofsuchgradientsinamannerwhichguarant