Tensorflow 在WGANs中评估批评家得分
在过去的几天里，我一直在尝试训练一名WGAN，其中涉及到梯度惩罚。我从ChengBinJin的github tensorflow实现中删除了梯度惩罚代码 使用一个普通的DCGAN，你可以知道鉴别器在任何点上的准确度，因为它试图学习你可以输入到sigmoid函数中的逻辑。因此，如果我输入真实图像，准确率将接近100%，非常直接Tensorflow 在WGANs中评估批评家得分,tensorflow,deep-learning,generative-adversarial-network,Tensorflow,Deep Learning,Generative Adversarial Network,在过去的几天里，我一直在尝试训练一名WGAN，其中涉及到梯度惩罚。我从ChengBinJin的github tensorflow实现中删除了梯度惩罚代码 使用一个普通的DCGAN，你可以知道鉴别器在任何点上的准确度，因为它试图学习你可以输入到sigmoid函数中的逻辑。因此，如果我输入真实图像，准确率将接近100%，非常直接 然而，对于WGANs，鉴别器现在是一个批评家，它输出一个分数，而据我所知，这并不能真正转化为准确性。现在我在3000次迭代中，真实图像的平均分数是-59000。那么，如何从
然而，对于WGANs，鉴别器现在是一个批评家，它输出一个分数，而据我所知，这并不能真正转化为准确性。现在我在3000次迭代中，真实图像的平均分数是-59000。那么，如何从这个分数来衡量准确性呢？一点也不。瓦瑟斯坦的批评家是指独立的，因为它被写成f（x）-f（y）。所以函数g（x）=f（x）+b具有相同的瓦瑟斯坦距离。例如，g（x）-g（y）=f（x）+b-f（y）-b=f（x）-f（y）
因此，平均值不提供任何信息。提供信息的是真实图像和虚假图像的平均值之间的差异，例如，瓦瑟斯坦距离。越小越好 谢谢你的回复。我想这是最好的办法。然而，我今天正在做这项工作，当生成低于标准的MNIST数字时，距离一直在上升（在某些点上有下降）。我的DCGAN结果看起来比这个好。我认为它应该朝着零的方向发展，对吗？另外，在鉴别器末端添加单独的softmax层以及单分数神经元是否会干扰WGAN训练？