【深度学习】生成式对抗网络（GAN）基础和常见进阶模型

生成式对抗网络简介

生成对抗网络（Generative Adversarial Network, GAN）是一种由两个神经网络组成的机器学习模型，用于生成新的、类似于训练数据的样本。GAN由Ian Goodfellow及其同事在2014年提出，它在生成图像、声音和文本等数据方面取得了显著的成功。特点就是区别于一般用于回归和分类的神经网络模型。

GAN基本结构

GAN包括两个主要部分：
生成器（Generator）：负责生成假数据。
判别器（Discriminator）：负责区分生成的数据和真实数据。
这两个网络通过对抗训练来提高各自的能力：生成器试图生成看起来像真实数据的样本，以欺骗判别器。判别器试图尽可能准确地区分真实数据和生成数据。

训练时，生成器接收一个随机噪声向量，通过一系列的层生成一个数据样本。判别器接收一个数据样本（可能是生成的也可能是真实的），并输出一个判定结果，判断该样本是真实的概率。
在接下来的训练中，生成器和判别器通过对抗训练来改进。生成器的目标是最大限度地欺骗判别器，使其无法区分生成数据和真实数据。判别器的目标是最大限度地提高区分真实数据和生成数据的能力。

GAN的学习目标本质上是一个“分布”，因为本质上“生成”一个图像是从一个分布中去取样，举例来说如果要生成一个背景是蓝天的云的相关图像，那在连成一片云的区域中，取到“白色”像素的概率就比其他颜色的要大一些，而这个概率分布是需要训练去拟合的。根据目标的不同，分布也会愈加复杂，所以GAN的训练对于一般的计算资源来说不会容易。
（下图是生成的ÿ