# Adversarial Supervise Architecture E_Hat = self.generator_aux(Z) H_hat = self.supervisor(E_Hat) Y_fake = self.discriminator(H_hat) self.adversarial_supervised = Model(inputs=Z, outputs=Y_fake, name='AdversarialSupervised') # Adversarial architecture in latent space Y_fake_e = self.discriminator(E_Hat) self.adversarial_embedded = Model(inputs=Z, outputs=Y_fake_e, name='AdversarialEmbedded') 这两种架构的区别
时间: 2024-02-10 10:24:52 浏览: 32
这两种架构的区别在于它们的输入和输出以及所关注的目标。
在对抗监督架构(Adversarial Supervised Architecture)中,首先使用生成器模型 self.generator_aux 将随机噪声输入 Z 转换为生成器的输出 E_Hat。然后,将 E_Hat 输入到监督模型 self.supervisor,得到监督模型的输出 H_hat。接下来,将 H_hat 输入到判别器模型 self.discriminator,得到判别器的输出 Y_fake。整体上,这个架构的目标是通过生成器和监督模型的协同训练,使生成器能够生成逼真的数据样本,并通过判别器对生成的样本进行判别和评估。
而在潜在空间中的对抗架构(Adversarial architecture in latent space)中,同样是将随机噪声输入 Z 经过生成器模型 self.generator_aux 得到生成器的输出 E_Hat。然后,将 E_Hat 输入到判别器模型 self.discriminator,得到判别器的输出 Y_fake_e。整体上,这个架构的目标是通过在潜在空间中对生成器的表示进行判别和评估,从而提高生成器在生成逼真数据样本方面的能力。
因此,这两种架构有不同的输入、输出和目标。对抗监督架构关注于生成器和监督模型的协同训练,以生成逼真的数据样本。而潜在空间中的对抗架构关注于在潜在空间中对生成器的表示进行判别和优化,以提高生成器的生成能力。
相关问题
# Adversarial Supervise Architecture E_Hat = self.generator_aux(Z) H_hat = self.supervisor(E_Hat) Y_fake = self.discriminator(H_hat) self.adversarial_supervised = Model(inputs=Z, outputs=Y_fake, name='AdversarialSupervised')
在这段代码中,实现了一个对抗监督架构(Adversarial Supervised Architecture)。
首先,通过将随机噪声输入 Z 传递给生成器模型 self.generator_aux,得到生成器的输出 E_Hat。接下来,将 E_Hat 作为输入传递给监督模型 self.supervisor,得到监督模型的输出 H_hat。然后,将 H_hat 作为输入传递给判别器模型 self.discriminator,得到判别器的输出 Y_fake。
最后,使用 Keras 的 Model 类创建了一个名为 adversarial_supervised 的模型对象,其输入为 Z,输出为 Y_fake。这个 adversarial_supervised 模型将生成器、监督模型和判别器连接在一起,形成了一个整体的对抗监督架构。
这种架构的目的是通过生成器和监督模型的协同训练,使生成器能够生成逼真的数据样本,并通过判别器对生成的样本进行判别和评估。这样可以实现对抗训练和生成器的优化。
# Adversarial architecture in latent space Y_fake_e = self.discriminator(E_Hat) self.adversarial_embedded = Model(inputs=Z, outputs=Y_fake_e, name='AdversarialEmbedded')
在这段代码中,实现了一个在潜在空间中的对抗架构(Adversarial architecture in latent space)。
首先,将生成器输出的 E_Hat(即生成器在潜在空间中的表示)作为输入传递给判别器模型 self.discriminator,得到判别器的输出 Y_fake_e。
然后,使用 Keras 的 Model 类创建了一个名为 adversarial_embedded 的模型对象,其输入为 Z(随机噪声),输出为 Y_fake_e。这个 adversarial_embedded 模型将生成器和判别器连接在一起,形成了一个在潜在空间中的对抗架构。
这种架构的目的是通过在潜在空间中对生成器的表示进行判别和评估,从而实现对生成器的优化和训练。通过将生成器和判别器在潜在空间中进行对抗训练,可以提高生成器在生成逼真数据样本方面的能力。