CycleGan

gan用在unsupervised learning的例子

之前神经网络的训练数据都是成对的，数据对应标签，x对应y，但现在x和y是不成对出现的

这些不成对的数据是 unlabel的数据，利用这种就是semi-supervised learning

图片风格转换

本质是，x domain 转换为 y domain，所以说这个问题不是很难，需要训练一个discriminator遇到domain y的图片就给高分，遇到domain x的图片就给低分

现在我们需要generator输出一张y domain的图，同时还要做到和他的输入相对应

那现在怎么样完全解决输出完全忽略输入的情况，这个问题与conditional gan不同之处在于，我们没有成对的训练资料

所以我们就加入两个generator，加入一个损失 generator A的输入和generator B的输出要接近，

所以cyclegan有3个network

但是cycle consistency不一定能完全解决这个问题，比如说，第一个generator学习到了左右翻转，第二个generator也学习到了左右翻转，所以这样中间的输出就不是我们想要的。

关于这个问题现在没有很好的解决方案，但是这种问题发生的概率不大。

而且cyclegan的训练结果也是双向的，把这个过程反过来，再加入一个discriminator，就是cyclegan

进阶 stargan，多种风格转换

cyclegan也可以用于文本风格转换，文字和文字之间怎么判断相似性呢，这是另外一个问题，文中没讲