几种GAN

   最近听几场讲座都听到了一些有关GAN的应用,今年GAN更是刷了很多会议论文,了解一些常用的GAN网络,对于后面做科研还是做工程项目都很有帮助。一般的GAN网络存在着以下一些问题：训练不稳定，需要平衡生成器和判别器之间的训练；缺乏相应指示GAN训练好坏的指标等。下面依次简要介绍目前常用的几种GAN:WGAN,LSGAN，DCGAN。

WGAN

   WGAN是Wasserstein GAN的jiancheng简称，其目标是使GAN的训练达到稳定。WGAN主要从损失函数对GAN进行了改进，主要包括判别器最后一层去掉sigmoid，生成器和判别器的loss不取log，将更新后的权重限制在一定范围内，比如【-0.01,0.01】,以满足lipschitz条件。
   WGAN的依据是交叉熵（JS散度）不适合衡量具有不相交部分分布之间的距离，而是使用Wasserstein距离去衡量生成数据和真实数据之间的距离，理论上解决了训练不稳定的问题。同时给定一个说明GAN训练好坏的指标，该指标越小，表明GAN训练越差。距离表达公式摘自下图。

注：Lipschitz限制是在样本空间中，要求判别器函数D(x)梯度值不大于一个有限的常数K，通过权重值限制的方式保证了权重参数的有界性，间接限制了其梯度信息。

DCGAN

   DCGAN还是解决GAN训练不稳定的问题，将生成器和判别器换成了两个卷积神经网络。其结构如下图所示&