GAN 学习笔记（一）

GAN 学习笔记（一）

• 生成网络简介

生成网络是无监督学习中的一种，它的目标是‘凭空’生成一些数据，用没有意义的数据生成出有意义的作品。比如生成一些假的图像。

生成对抗网络（Generate Adversarial Network,GAN）是由Goodfellow博士在2014年提出的一种生成模型，提供了一种生成高质量数据的深度学习方法，只需要少量带有标记的数据，便可以通过生成网络与判别网络之间的竞争获得高质量数据。

• 对抗网络思想

生成对抗网络主要由两个部分组成，一个是生成器 G(Generator)，另一个是判别器 D(Discriminator)。

生成器的输入参数为一些无意义的噪声，并以此生成一个样本。判别器的作用则是判断生成器生成的一张图片是否是真实图片，如果图像是真，即输出「1」，否则输出「0」。在此过程中，生成器为了欺骗判别器，它会逐步更新参数以使生成的样本尽量拟合真实图片，而判别器为了能够更加精准的识别出样本是否真实，它也会逐步学习真实图片与生成图片之间的差异，并以此更新网络参数。在生成器与判别器的相互博弈之中，生成的样本图片逐渐接近真实图片，最终生成对抗网络达到稳定状态。

总之，基于 GAN 的图像生成器的过程如下：

1. 生成器生成图像，其中在训练初始阶段，大部分图像都是无意义的。</