我是GAN的新手。我正在学习对GAN建模以生成图像，但是我并不太真正理解给生成器的随机噪声到底是什么。它是0到1之间的随机数吗？它的大小应该是多少？另外，每次发电机运行时，随机噪声是否应保持恒定？
任何帮助将不胜感激。
答案 0 :(得分：2)
随机噪声是一个特征向量，对于每个图像来说都是唯一的
让我们考虑噪声矢量128
目前，仅关注向量的第一个条目 让我们考虑一下这是针对头发的长度
从训练图像模型得知，对于秃头，该值== 0，对于长发，该值== 1，通过从0到1中选择随机数，可以确定头发数量。 因此模型可以生成不同头发长度的人
通过这种方式，随机噪声中的所有128个条目将决定人脸的一个因素
这就是为什么每次选择随机噪声都会生成新的人像
如果每次都使用相同的随机噪声，则模型将生成相同的图像
希望您能理解GAN的工作原理。
答案 1 :(得分：2)
在github上有一个tutorial驱动的jupyter笔记本（完整披露，这是我的github）。 （可用的解决方案here）
噪声或潜在的随机变量几乎可以生成，但是您喜欢例如以下示例：
# Generate latent random variable to feed to the generator, by drawing from a uniform distribution
z = np.random.uniform(-1., 1., size=[batch_size, noise_dim])
但是，有必要考虑发生器输入层中的激活函数，并注意其敏感范围。
生成器将此输入作为种子，以从该潜在变量解码到源数据集域。因此显然，相同的随机变量将导致生成的样本完全相同。
因此，您应该在训练时不断绘制新样本，并且不要使噪声保持恒定。
答案 2 :(得分：0)
随机噪声矢量分布表示潜在空间。对于GAN而言并不重要，但对于自动编码器而言则更为重要。通常，噪声是从正态分布生成的，但是一些研究人员报告说使用球形分布可以改善训练效果（对不起，我没有方便的参考文献）。噪声范围取决于您的输入层。如果您使用的是图像，则可能在0和1之间或在-1和1之间对输入进行了归一化处理，因此将对噪声矢量使用相应的分布范围。可能会像这样生成一个典型的噪声矢量：
noise = tf.random.normal([BATCH_SIZE, noise_dim])
其中BATCH_SIZE是训练批次的大小（16、32、64、128 ...），noise_dim是噪声向量的大小，这取决于您的特征空间（对于中等分辨率的图像，我经常使用1024）
答案 3 :(得分：0)
我也是GAN的新手，但最近在GAN上从事信号生成工作。
随机噪声是发生器的输入。在开始时它没有任何意义，通过培训您会尝试找到对他们有意义的东西。关于大小，我仍然不确定我的结论是否正确，因此我希望其他人如果我错了也能纠正我的结论。我们应该为我们的问题寻找合适的尺寸。 如果潜在空间很小，则模型将达到无法再产生更好质量（瓶颈）的程度；如果太大，模型将需要很长时间才能产生良好结果，甚至可能无法收敛。通常一个开始于其他人用于相同问题的潜在空间大小。
答案 4 :(得分：0)
随机向量实际上并不是随机的，通常我们从某些特定分布（高斯、均匀等）中对向量进行采样。生成器获取采样向量，然后通过最小化采样向量的概率分布和所有训练数据的分布的 Jensen-Shannon 散度，尝试将其映射到训练数据的分布。 我们提供给生成器的采样向量的大小是一个超参数。