加入cLR-GAN进行训练,但是原始输入的z采用cVAE-GAN阶段编码出来的Z向量,最后将生成图像编码出来的Z'与原Z进行对比损失降低。
由于我们不是求风格不同的任意图,因此要加入B的L1损失。√
L1 loss to make the output match the input
鉴于两个网络合并训练,不需要再另行加入B的L1,只需要z自己的L1即可,不需要D2.
- 查看一下现在训练网络中向量Z的注入方式,考虑尝试多层注入链接:↓
现有训练即多层注入。√ - 研究加入L1 loss的代码如何实现
- 研究如何修改代码使其成为z为z_encoded的cLR-GAN √
- 共享权重?no,合并成一个网络。
- cLR-GAN的Discriminator no,不需要
- 找复杂一点的训练集 ->大概需要自己来造。。
详解AE与VAE结构
第一次看云里雾里的,现在再看觉得写得十分明白+_+
网友评论