Closed a-ceron closed 1 year ago
Fully conected network https://github.com/a-ceron/tesis-ia/tree/wgan
La Red adversaria generativa de Wasserstein, o Wasserstein GAN, es una extensión de la red adversarial generativa que mejora la estabilidad al entrenar el modelo y proporciona una función de pérdida que se correlaciona con la calidad de las imágenes generadas
En lugar de usar un discriminador para clasificar o predecir la probabilidad de que las imágenes generadas sean reales o falsas, la WGAN cambia o reemplaza el modelo discriminador con un crítico que califica la realidad o la falsedad de una imagen determinada.
he differences in implementation for the WGAN are as follows:
No almacene los resultados con las métricas de los errores porque están en cero y se debe investigar qué paso, pero acá pongo los resultados con pocas imágenes y 10 iteraciónes de WGAN sin GP
Estos resultados son otenidos al trabajar con WGAN usando penalización del gradiene y aumentando el número de epocas, al parecer los resultados son peores que si no se usa GP
Resumen
Pseudocódigo de WGAN con penalización en el gradiente. Usando los valores por defecto $\lambda = 10, n_{critic} = 5, \alpha = 0.0001, \beta_1 = 0, \beta_2 = 0.9$