Keras深度学习实战（22）——生成对抗网络详解与实现

0. 前言

生成对抗网络 (Generative Adversarial Networks, GAN) 使用神经网络生成与原始图像集非常相似的新图像，它在图像生成中应用广泛，且 GAN 的相关研究正在迅速发展，以伪造生成与真实图像难以区分的逼真图像。在本节中，我们将学习 GAN 网络的原理并使用 Keras 实现 GAN。

1. 生成对抗网络原理

GAN 包含两个网络：生成器和鉴别器。生成器的目标是生成逼真的图像骗过鉴别器，鉴别器的目标是确定输入图像是真实图像还是生成器生成的伪造图像。
假设 GAN 用于生成人脸图像，鉴别器试图将图片分类为真实人脸图像或者伪造的虚假人脸图像，一旦我们训练完成的鉴别器能够将正确分类真实人脸图像和虚假人脸图像，如果我们向鉴别器输入新的人脸图片，它能够将输入图片分类为真实人脸图像和虚假人脸图像。生成器的任务是生成看起来与原始图像集非常相似的人脸图像，以至于鉴别器会误以为所生成的图像来自原始数据集。

2. 模型分析

接下来，我们详细介绍 GAN 生成图像的网络策略：

• 使用生成器生成伪造图像，生成器在最初只能生成噪声图像，噪声图像是通过将一组噪声值通过权重随机的神经网络得到的图像
• 将生成的图像与原始图像串联起来，鉴别器预测每个图像是伪造图像还是真实图像，对鉴别器进行训练：
  • 在迭代中训练鉴别器权重
  • 鉴别器的损失是图像的预测值和实际值(标签)的