GAN实战笔记中，如何深入理解SGAN在半监督学习中的应用？
- 内容介绍
- 文章标签
- 相关推荐
本文共计5566个文字，预计阅读时间需要23分钟。
半监督生成对抗网络（SGAN）简介 + 半监督学习（Semi-supervised Learning）
半监督学习是GAN在实际应用中最具进展的领域之一，它结合了监督学习和无监督学习的优势。与监督学习（数据集中每个样本都有标签）和无监督学习（数据集中没有标签）相比，半监督学习使用带标签和未带标签的数据进行训练。这使得半监督学习在数据标签稀缺的情况下特别有用。
半监督生成对抗网络 一、SGAN简介半监督学习(semi-supervised learning)是GAN在实际应用中最有前途的领域之一，与监督学习（数据集中的每个样本有一个标签）和无监督学习（不使用任何标签）不同，半监督学习只为训练数据集的一小部分提供类别标签。通过内化数据中的隐藏结构，半监督学习努力从标注数据点的小子集中归纳，以有效地对从未见过的新样本进行分类，要使半监督学习有效，标签数据和无标签数据必须来自相同的基本分布。
缺少标签数据集是机器学习研究和实际应用中的主要瓶颈之一，尽管无标签数据非常丰富(互联网实际上就是无标签图像、视频和文本的无限来源)，但为它们分配类别标签通常非常昂贵、不切实际且耗时。在ImageNet中手工标注320万张图像用了两年半的时间，ImageNet是一个标签图像的数据库，在过去的十年中对于图像处理和计算机视觉取得的许多进步均有帮助。
训练需要大量标签数据是监督学习的致命弱点。目前，工业中的人工智能应用绝大多数使用监督学习。缺乏大型标签数据集的一个领域是医学，医学上获取数据（如来自临床试验的结果）通常需要耗费大量的精力和开支，更别说会面临道德伦理和隐私等更严重的问题了，因此，提高算法从越来越少的标注样本中学习的能力具有巨大的实际意义。
有趣的是，半监督学习可能也是最接近人类学习方式的机器学习方式之一，小学生学习阅读和书写时，老师不必带他们出门旅行，让他们在路上看到成干上万个字母和数字的样本以后，再根据需要纠正他们一就像监督学习算法的运作方式一样。相反，只需要一组样本可供孩子学习字母和数字，然后不管何种字体、大小、角度、照明条件和许多其他条件下，他们能够识别出来。半监督学习旨在按照这种有效的方式教会机器。
本文共计5566个文字，预计阅读时间需要23分钟。
半监督生成对抗网络（SGAN）简介 + 半监督学习（Semi-supervised Learning）
半监督学习是GAN在实际应用中最具进展的领域之一，它结合了监督学习和无监督学习的优势。与监督学习（数据集中每个样本都有标签）和无监督学习（数据集中没有标签）相比，半监督学习使用带标签和未带标签的数据进行训练。这使得半监督学习在数据标签稀缺的情况下特别有用。
半监督生成对抗网络 一、SGAN简介半监督学习(semi-supervised learning)是GAN在实际应用中最有前途的领域之一，与监督学习（数据集中的每个样本有一个标签）和无监督学习（不使用任何标签）不同，半监督学习只为训练数据集的一小部分提供类别标签。通过内化数据中的隐藏结构，半监督学习努力从标注数据点的小子集中归纳，以有效地对从未见过的新样本进行分类，要使半监督学习有效，标签数据和无标签数据必须来自相同的基本分布。
缺少标签数据集是机器学习研究和实际应用中的主要瓶颈之一，尽管无标签数据非常丰富(互联网实际上就是无标签图像、视频和文本的无限来源)，但为它们分配类别标签通常非常昂贵、不切实际且耗时。在ImageNet中手工标注320万张图像用了两年半的时间，ImageNet是一个标签图像的数据库，在过去的十年中对于图像处理和计算机视觉取得的许多进步均有帮助。
训练需要大量标签数据是监督学习的致命弱点。目前，工业中的人工智能应用绝大多数使用监督学习。缺乏大型标签数据集的一个领域是医学，医学上获取数据（如来自临床试验的结果）通常需要耗费大量的精力和开支，更别说会面临道德伦理和隐私等更严重的问题了，因此，提高算法从越来越少的标注样本中学习的能力具有巨大的实际意义。
有趣的是，半监督学习可能也是最接近人类学习方式的机器学习方式之一，小学生学习阅读和书写时，老师不必带他们出门旅行，让他们在路上看到成干上万个字母和数字的样本以后，再根据需要纠正他们一就像监督学习算法的运作方式一样。相反，只需要一组样本可供孩子学习字母和数字，然后不管何种字体、大小、角度、照明条件和许多其他条件下，他们能够识别出来。半监督学习旨在按照这种有效的方式教会机器。