1、GAN的主要结构包括一个生成器G(Generator)和一个判别器D(Discriminator)。 我们举手写字的例子来进行进一步窥探GAN的结构。 我们现在拥有大量的手写数字的数据集，我们希望通过GAN生成一些能够以假乱真的手写字图片。

2、干。有三个音。Gān。这是注音版《中华书局》说文解字 的标注读音，解释为：干，使。从内，从一。许慎认为，干是一个理解的字，其本义是侵略。认为 干 字的形状是倒着写的 入。

3、在GAN中，可以理解为输入一个vector，生成一个图片、语音、文本等有结构的输出。

4、拼音：gān|gan1 部首：甘 笔顺：横竖竖横横 基本解释 ● 甘 gān ㄍㄢˉ◎ 甜，味道好：甘甜。甘苦。甘冽。甘落。甘之如饴。同甘共苦。甘旨（美味的食物）。◎ 美好：甘雨（适时而有益于农事的雨）。甘霖。

5、gàn ㄍㄢˋ见“干2”。郑码：EDAE，U：5E79，GBK：8ED6 笔画数：13，部首：干，笔顺编号：1225111234112 用壮族语言来翻译，“干”是“上面”的意思，“干栏”就是“上面的房子”。

1、熵是热力学中表征物质状态的参量之一，用符号S表示，其物理意义是体系混乱程度的度量。

2、熵，热力学中表征物质状态的参量之一，用符号S表示，其物理意义是体系混乱程度的度量。

3、简介：熵（拼音：shāng，希腊语：εντροπα (entropía)，英语：entropy）泛指某些物质系统状态的一种量度，某些物质系统状态可能出现的程度。亦被社会科学用以借喻人类社会某些状态的程度。

1、(1) 杰卡德相似系数 两个集合A和Bjs散度实现的交集元素在Ajs散度实现，B的并集中所占的比例，称为两个集合的杰卡德相似系数，用符号J(A，B)表示。杰卡德相似系数是衡量两个集合的相似度一种指标。

2、变量间的相似度量常用的方法js散度实现：欧氏距离、曼哈顿距离、余弦相似度、杰卡德相似系数、编辑距离。欧氏距离（Euclidean Distance）：适用于连续型变量的相似度量。欧氏距离是计算两个变量之间的直线距离。

3、js散度实现；加权(weighted)闵可夫斯基距离 当样本中不同属性的重要性不同时，可使用加权距离(weighted distance)[1]。余弦相似度(Cosine Similarity)余弦相似性取值[-1，1]，值越趋于1，表示两个向量的相似度越高。

4、当两个向量的方向完全相反时，夹角的余弦取最小值-1。当余弦值为0时，两向量正交，夹角为90度。因此可以看出，余弦相似度于向量的幅值无关，于向量的方向相关。

5、两个点坐标数值差的绝对值的最大值 马氏距离又称为 数据的协方差距离 ，它是一种有效的计算两个未知 样本集的相似度 的方法。

6、它是一种有效的计算两个未知样本集的相似度的方法。

另外可以使用马氏距离(协方差距离)，与欧式距离不同其考虑到各种特性之间的联系是(量纲)尺度无关 (Scale Invariant) 的，可以排除变量之间的相关性的干扰，缺点是夸大了变化微小的变量的作用。

概率论的基本思想——随机思想，因为这门学科就是为了在随机中找到规律的 概率论最基础的思想——有些事情是无缘无故地发生的。这个思想对我们的世界观有颠覆的意义。

但KL散度并不是一个真正的度量或者距离：KL散度不满足距离的对称性；KL散度不满足距离的三角不等式性质。JS散度 是一个对称的衡量两个分布的相似性的度量方式，定义为 JS散度是KL散度的一种改进。

两点分布期望是Ex等于p，方差是Dx等于p乘1减p。在概率论和统计学中，期望值或数学期望，或均值，亦简称期望，物理学中称为期待值是指在一个离散性随机变量试验中每次可能结果的概率乘以其结果的总和。

他们提出的替代方案是给Critic loss加入 gradient penalty (GP) ，这样，新的网络模型就叫 WGAN-GP 。 GP项的设计逻辑是：当且仅当一个可微函数的梯度范数(gradient norm)在任意处都不超过1时，该函数满足1-Lipschitz条件。

具体来说：应用场景不同：生成对抗网络是一种生成模型，旨在生成与真实数据相似的新数据。它通常用于生成逼真的图像、音频或视频等内容。而孪生网络是一种特征提取模型，用于比较两个输入对象之间的相似性。

二者关系形成对抗博弈，因此叫 对抗神经网络 （生成对抗网络）。实验证明， 利用这种网络间的对抗关系所形成的网络， 在无监督及半监督领域取得了很好的效果， 可以算是用网络来监督网络的一个自学习过程。

鹏仔微信 15129739599 鹏仔QQ344225443 鹏仔前端 pjxi.com 共享博客 sharedbk.com