backpropagation

GAN的出现为数据生成提供了一种新的思路，以图像生成为例，在GAN框架中，不再需要其他复杂的操作，如Markov Chain等，只需要对定义好的网络进行backpropagation即可完成生成网络的训练。在原始的GAN框架中，包括了两个部分，分别为生成网络（Generator）GGG和判别网络（Discriminator）DDD，其中生成网络（Generator）GGG用于生成图片，判别网络（Discriminator）DDD用于判别一张图片是否是真实的。通过不断提高生成网络GGG的生成质量，最终“骗”过判别网络DDD，在此过程中，判别网络DDD也在不断提高自身的判别能力，通过如此的一个动态的“博弈”过程，最终，训练好的生成网络GGG便可以用于生成“以假乱真”的图片

1、一切从维基百科开始，大致了解一个全貌： 2、拿起纸和笔，再加上ipython or 计算器，通过一个例子直观感受反向传播算法： 4、有了上述直观的反向传播算法体验，可以从1986年这篇经典的论文入手了：Learning representations by back-propagating errors 6、或者可以通过油管看一下这个神经网络教程的前几节关于反向传播算法的视频: Neural Network Tutorial 属于机器学习、深度学习分类，被贴了 Backpropagation、BP神经网络、python、反向传播算法、反向传播算法Python代码、反向传播算法代码、反向传播算法入门、反向传播算法入门资源、反向传播算法论文、反向传播算法资源、深度学习、神经网络、神经网络反向传播、神经网络教程，深度学习书籍、自动微分、自动微分反向模式 标签。作者是52nlp。