GAN

GAN

以下内容摘自课程评论 ## 1、简介 1. 生成对抗网络由Goodfellow在2014年提出。其主要灵感来源于博弈论中零和博弈的思想。GAN由生成器和判别器组成。生成器的功能是输入一个样本将其输出成一个逼真的样子，判别器来判断输入的样本是真的还是伪造的。
2. 判别网络的目的：就是能判别出来属于的一张图它是来自真实样本集还是假样本集。例如输入的是真样本，网络输出就接近1，输出的是假样本，网络输出接近0。
3.生成网络的目的：生成网络是造样本，它的目的就是使得自己造样本的能力尽可能强，强到什么程度呢，判别网络没法判断我是真样本还是假样本。

2、GAN 的特点及优缺点： 特点： 1）、 相比较传统的模型，他存在两个不同的网络，而不是单一的网络，并且训练方式采用的是对抗训练方式 2）、GAN中G的梯度更新信息来自判别器D，而不是来自数据样本 优点（摘自ian goodfellow 在Quora的问答） 1）、GAN是一种生成式模型，相比较其他生成模型（玻尔兹曼机和GSNs）只用到了反向传播,而不需要复杂的马尔科夫链 2）、 相比其他所有模型, GAN可以产生更加清晰，真实的样本 3）、GAN采用的是一种无监督的学习方式训练，可以被广泛用在无监督学习和半监督学习领域 其余更多优点可以参考博客 ## 3、GAN的广泛应用 1）、GAN本身是一种生成式模型，所以在数据生成上用的是最普遍的，最常见的是图片生成，常用的有DCGAN WGAN，BEGAN。

  2）、GAN可以和强化学习结合，目前一个比较好的例子就是seq-GAN       3）、GAN可以和强化学习结合，目前一个比较好的例子就是seq-GAN       4）、目前比较有意思的应用就是GAN用在图像风格迁移，图像降噪修复，图像超分辨率了，都有比较好的结果。

4、GAN的变种 自从GAN出世后，得到了广泛研究，先后几百篇不同的GANpaper横空出世，国外有大神整理了一个GAN zoo（GAN动物园），链接如下，感兴趣的可以参考一下： https://github.com/hindupuravinash/the-gan-zoo GitHub上已经7900+star了。
以上内容摘自“sakura小樱”博客https://blog.csdn.net/Sakura55/article/details/81512600 此外，知乎上https://www.zhihu.com/question/319949451/answer/998642202关于GAN与我们生活可能相关的一些问题应用，感兴趣的也可以关注下