Wasserstein 생성적 적대 신경망다음과 같은 장점이 있습니다.

• 생성기와 판별기의 학습 정도를 신중하게 균형 잡을 필요 없이 불안정한 GAN 학습 문제를 해결합니다.
• 기본적으로 붕괴 모드 문제를 해결하고 생성된 샘플의 다양성을 보장합니다.
• 학습 과정에서는 학습의 진행 상황을 나타내는 교차 엔트로피, 정확도 등의 값이 존재합니다. 값이 작을수록 GAN의 학습이 더 좋으며, 이는 생성기가 생성하는 이미지 품질이 더 높다는 것을 나타냅니다.
• 정교한 네트워크 아키텍처는 필요하지 않으며, 가장 간단하고 완벽하게 연결된 네트워크만 필요합니다.

Wasserstein GAN은 GAN과 비교하여 다음과 같은 차이점이 있습니다.

• 판별기의 마지막 레이어는 시그모이드를 취소합니다.
• 생성기와 판별기의 손실은 Log가 아닙니다.
• 판별기 매개변수가 업데이트될 때마다 절대값은 고정된 상수 c보다 낮아지도록 잘립니다.

관련 단어: GAN