GAN框架研究与思路整理

  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 )；