شبكات واسرشتاين التوليدية التنافسيةلها عدة مزايا:

• حل مشكلة تدريب GAN غير المستقر، دون الحاجة إلى موازنة درجة تدريب المولد والمميز بعناية؛
• حل مشكلة وضع الانهيار بشكل أساسي وضمان تنوع العينات المولدة؛
• أثناء عملية التدريب، توجد قيم مثل الانتروبيا المتقاطعة والدقة التي تشير إلى تقدم التدريب. كلما كانت القيمة أصغر، كان تدريب GAN أفضل، مما يشير إلى أن جودة الصورة التي ينتجها المولد أعلى.
• لا يتطلب الأمر بنية شبكة معقدة، كل ما هو مطلوب هو أبسط شبكة متصلة بالكامل.

بالمقارنة مع GAN، فإن Wasserstein GAN لديه الاختلافات التالية:

• الطبقة الأخيرة من المميز تلغي Sigmoid؛
• إن خسارة المولد والمميز ليست لوغاريتمية؛
• في كل مرة يتم فيها تحديث معلمات المميز، يتم اقتطاع قيمها المطلقة لتصبح أقل من الثابت الثابت c.

كلمات ذات صلة: GAN