GAN的简单入门

最近在准备毕业设计的开题，基本确定了GAN这个大方向，接下来一年计划用博客记录一下GAN的学习历程吧。今天先记录一下对于GAN的一些个人理解。

GAN的原始论文链接：https://arxiv.org/abs/1406.2661

GAN的全称叫生成对抗网络，主要用于生成与真实样本相似的样本。GAN包含了两个模块，一个是用于生成样本的生成网络Generative，另一个是用来判别样本是否来自真实样本集的判别网络Discriminative。在训练过程中，把生成网络生成的样本和真实样本集中的部分样本一起放进判别网络中，判别网络给出每个样本属于真实数据集的概率（相当于一个二分类器），根据概率计算出一个简单的损失函数，通过反向传播更新生成网络和判别网络，生成网络的目标是尽可能的让生成样本的真实数据概率提高，而判别网络则正好相反。所以GAN的训练过程就像造假和打假的对抗，造假能力越来越强，打假能力也越来越强。

                                                     

对于具体的数学原理，我也讲不通，毕竟不是读数学专业的，什么不需要马尔科夫链我也不懂。对于GAN的优势，我有个人的一些理解。对于机器学习，深度学习学习来说，损失函数都扮演一个极其关键的角色，损失函数引导着网络的训练方向，对于一般的生成网络，损失函数可能是与原图的像素MSE，但是这样人为的定义一个损失函数一定会是最好的损失函数吗？肯定不是，深度学习之所以火了起来就是因为不再人为的选择特征，因为人为选择的特征不一定合适，也不一定完整，在图像分类上，深度学习使得准确率有了极大的飞跃。那么同样，利用人为定义的损失函数不一定能很好的生成样本，在GAN中，看着损失函数是简单的二分类损失，但不妨把Discriminative网络看成一个可训练的损失函数，因为在训练过程中，判别网络其实引导着生成网络的训练方向，判别网络的作用是区分真实和虚假的样本，所以生成网络能根据判别网络所提取的特征来优化生成参数，使得生成的样本更接近真实样本。

以上只是本人对GAN的一些理解，有不正确的欢迎指出。