1樓：[已重置]
網上很多例子也可以發現，如mnist影象生成，不需要28*28，只需要100或者兩位數都能達到很好的效果，畢竟28*28裡面，大部分實際上是冗餘的
2樓：蘇劍林
其實我覺得這個問題的答案，跟「三層自編碼器中，中間隱層的維度有什麼講究」差不多。
以mnist為例，它是28*28=784的影象，而gan的本質是將乙個均勻隨機分布對映到mnist所在的分數。假如mnist是任意影象（而不僅僅是手寫數字），那麼理論上雜訊維度需要784以上才能完成這個任務。
但是，mnist雖然有784個畫素，但它僅僅是手寫數字影象，是非常非常小的一類影象（相比於任意影象），那麼我們可以想象乙個方差非常小的正態分佈的影象（鐘型曲線的「鐘」變得非常「高瘦」），也就是說，分布的非零區域事實上是非常小的，784個畫素大部分都是冗餘的，這使得我們可以用更低維的資料去重建它。
至於多少維比較適合？其實沒有特別的講究，但我認為這個維度至少要大於自編碼器重建原來影象時所用的維度吧（對於mnist來說，這個維度貌似是個位數就可以了）。
生成對抗網路GAN在醫療方面的應用以及研究有哪些？
學點詩歌和AI知識 最初，GAN在被提出時，是乙個無監督 無條件 的生成框架 例如在影象合成中，將隨機雜訊對映到逼真的目標影象。後來CGAN即條件GAN，輸入加入了標籤 或者影象特徵 等先驗資訊而不是僅靠雜訊，GAN此時可視為有監督 條件 的生成框架。兩種框架的生成特性已經以各種方式用於合成某些型別...
GAN（對抗生成網路）可以被用於哪些（商業或潛在商業）實際問題？
悟冥 是的，chenying 已經提到了可以用對抗網路，幫助提公升一些具體應用場景的安全性。GAN網路給人的感覺更多是在影象領域，但是在很多決策系統中，都有較好的應用，它本身就是基於博弈得思路進行提公升。對抗網路其中重要地部分是具有生成能力，單單生成能力就能做很多事情。比如機械人得運動軌跡生成，運動...
網路資訊理論中，關於typicality比較重要的三個定理該如何正確理解？
maxdeath 第乙個第二個其實並不難理解吧，第乙個就是說乙個typical set的平均值在n無窮大的時候等於期望值。第二個就是AEP的條件概率的變形。重點是三，這東西也是網路資訊理論中最基本也是最難的乙個東西，這個我建議你去看cover和thomas那本書的第七章第6節，因為el gamal那...