GAN生成对抗网络合集（一）：理论基础及一些相关概念

       对抗神经网络其实是两个网络的的组合，两者关系形成对抗。是用网络来监督网络的一个自学习过程。

• 生成器（generator）生成模拟数据：不断优化自己让判别器判断不出来是模拟数据。主要是从训练数据中产生相同分布的samples，对于输入x，类别标签y，在生成式模型中估计其联合概率分布（两个及以上随机变量组成的随机向量的概率分布）；
• 判别器（discriminator）判断生成的数据是真实还是模拟的：不断优化自己让自己判断更准确。是估计样本属于某类的条件概率分布。采用传统监督学习方法。

       生成器用一个随机编码向量x’来输出一个模拟样本，x’是由高斯分布随机采样得到的噪声。
       判别器的输入是一个样本（真实样本和模拟样本放在一起随机抽取），输出一个判断该样本是真样本还是模拟样本（假样本）的结果。

                                                                                                         图1-1 GAN网络

       二者结合后，经过大量次数的迭代训练会使generator尽可能模拟出以假乱真的样本，而discriminator会有更精确的鉴别真伪数据的能力，最终整个GAN会达到所谓的纳什均衡，即discriminator对于generator的数据鉴别结果为正确率和错误率各占50%。根据GAN的结构不同，会有不同的对应训练方法。无论什么方法，其原理是一样的，即在迭代训练的优化过程中进行两个网络的优化。有的会在一个优化步骤中对两个网络优化，有的会对两个网络采取不同的优化步骤 。
       GAN的具体网络结构图如下所示：

       生成式对抗网络分两种类型，一种是从高斯随机分布中生成具有随机变化的高质量虚拟图像，另一种是通过多幅图像的强关联性，结合各图像和数据的特有信息获得杂糅指定属性的高质量虚拟图像，而后者存在着数据关联性的约束，通常用于实现图像迁移。

1 GAN的目标（损失）函数

这部分暂时看不懂可以先看后面章节，这部分在这里是先做一个汇总~