学习GAN模型量化评价，先从掌握FID开始吧( 四 )_选自machinelearningmastery作者：Jaso

Inception 分数基于目前性能最佳的图像分类模型 Inception v3 对一组合成图像的分类情况（将其分类为 1,000 类对象中的一种）来评估图像的质量。该分数结合了每个合成图像的条件类预测的置信度（质量）和预测类别的边缘概率积分（多样性）。

Inception 分数缺少合成图像与真实图像的比较。研发 FID 分数的目的是基于一组合成图像的统计量与来自目标域的真实图像的统计量进行的比较，实现对合成图像的评估。

Inception 分数的缺点是没有使用现实世界样本的统计量，并将其与合成样本的统计量进行比较。——「GANs Trained by a Two Time-Scale Update Rule Converge to a Local Nash Equilibrium 」（https://arxiv.org/abs/1706.08500）, 2017.

与 Inception 分数一样，FID 分数也使用了 Inception v3 模型。具体而言，模型的编码层（图像的分类输出之前的最后池化层）被用来抽取输入图像的用计算机视觉技术指定的特征。这些激活函数是针对一组真实图像和生成图像计算的。

通过计算图像的均值和协方差，将激活函数的输出归纳为一个多变量高斯分布。然后将这些统计量用于计算真实图像和生成图像集合中的激活函数。