伯禹第三次打卡

GAN

生成对抗网络：只是提出一种网络架构。
GAN简单的想法就是用两个模型，一个是生成模型，一个是判别模型，判断模型用于对数据的判断，生成模型则是模型自己去产生数据。这两个模型一同对抗， 生成模型生成的数据去欺骗判别模型，判别模型去判断数据的真假，从而二者共同完善从而达到稳定。
判别模型比较好理解，就像分类一样，有一个判别界限，通过这个判别界限去区分样本。从概率角度分析就是获得样本x属于类别y的概率，是一个条件概率P（y|x）.而生成模型是需要在整个条件内去产生数据的分布，就像高斯分布一样，他需要去拟合整个分布，从概率角度分析就是样本x在整个分布中的产生的概率，即联合概率P(xy)。

生成对抗网络的改进

1)由GAN改为条件生成式模型：该模型实现了给定条件的数据生成。
2)改进输入z:使用随机噪声z作为输入时，生成的结果不可控，因此使用具有信息意义数据作为输入。生成网络相当于对数据进行解析编码，这样使得应用范围更加广。
3)对条件分布建模：由已有数据预测未出现的数据。
4)改进为半监督学习：通过加入少量类别标签，引入有标签数据的类别损失度量，不仅功能上实现了半监督学习，同时也有助于 GAN 的稳定训练。