生成对抗网络张量化
机器学习
2018-04-02 v2 人工智能
机器学习
摘要
生成对抗网络（GAN）及其变体在生成模型类中表现出最先进的性能。为捕捉更高维分布，常见的学习过程需要高计算复杂度和大量参数。当在手机等计算能力受限平台上部署时，采用如此庞大框架的问题便凸显出来。本文中，我们提出一种新的生成对抗框架，将每一层表示为由多线性运算连接的张量结构，旨在大幅减少模型参数数量，同时保留生成性能与样本质量。为学习该模型，我们采用一种高效算法交替优化判别器与生成器。实验结果表明，相较于原始 GAN，我们的模型在 MNIST 数据集上可实现高达 倍的模型参数高压缩率。
引用
@article{arxiv.1710.10772,
title = {Tensorizing Generative Adversarial Nets},
author = {Xingwei Cao and Xuyang Zhao and Qibin Zhao},
journal= {arXiv preprint arXiv:1710.10772},
year = {2018}
}
备注
4 pages, 3 figures