动手学深度学习之生成对抗网络

生成对抗网络（Generative Adversarial Networks,GANs）是一种把博弈理论结合神经网络用于生成新事物的模型。目前最常用于图像生成。

直观感受原理

GAN的原理是如下图所示：
假设有两个网络，G（Generator）和D（Discriminator）
·G是一个生成图片的网络，它接收一个随机的噪声z，通过这个噪声生成图片，记做G（z）。
·D是一个判别网络，判别一张图片是不是“真实的”。它的输入参数是x，x代表一张图片，输出D（x）代表x为真实图片的概率，如果为1，就代表100%是真实的图片，而输出为0，就代表不可能是真实的图片。
在训练过程中，生成网络G的目标就是尽量生成真实的图片去欺骗判别网络D。而D的目标就是尽量把G生成的图片和真实的图片分别开来。这样，G和D构成了一个动态的“博弈过程”。
在最理想的状态下，G可以生成足以“以假乱真”的图片G(z)。对于D来说，它难以判定G生成的图片究竟是不是真实的，因此D(G(z)) = 0.5。

损失函数

可阅读这篇文章生成对抗网络损失函数的理解