本文内容将着重分析当前GAN原理及其应用场景,比对其相对于传统深度学习方法在图像生成等方面的区别
一、原始GAN原理
原始GAN论文中的思想为生成模型与判别模型间的零和博弈,通过对抗式的训练,
生成模型G捕捉样本数据的数据分布,判别模型则是一个二分类模型
,估计一个样本来自训练数据(而非生成数据)的概率。G和D一般都是非线性映射函数,如
多层感知器(朴素GAN)/卷积神经网(DCGAN)
等。
训练过程中GAN网络中的生成器模型G的目标就是生成看上去尽量真实的数据去欺骗判别器D,而D作为一个二分类模型,目标为判断输入的数据是否“真实”,对于其认为的”真实“的数据输出值会尽量接近1,反之数据逼近于0,代表认为不可能是真实图片,由此形成一种动态博弈过程。博弈的理想结果为,在判别器已经很强大的情况下,仍然无法分辨来自生成器模型的数据是否是真实的,即此时的D(G(Z))=0.5.此时便得到了训练结果:生成模型G,
输入相应的量便能根据G捕获的数据分布实现相应数据的生成。
二、原始GAN优缺点
2.1GAN框架有着很多的
优点:
①
GAN能训练任何一种生成器网络,不需要设计遵循任何种类的因式分解模型;
②
任意的生成网络(G)和鉴别网路(D)都会有用(只要网络可微分),GAN只需要反向传播而不需要利用马尔科夫链反复采样(
传统生成模型必备
);