GAN原理到CycleGAN

GAN的基本原理

G（Generator）和D（Discriminator）。
如果是生成图片->
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。
过程就如下：
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。
CycleGAN的原理
论文地址：https://arxiv.org/abs/1703.10593
CycleGAN的原理：将一类图片转换成另一类图片。
也就是说，现在有两个样本空间，X和Y，我们希望把X空间中的样本转换成Y空间中的样本。
实际的目标就是学习从X到Y的映射。我们设这个映射为F。它就对应着GAN中的生成器，F可以将X中的图片x转换为Y中的图片F(x)。对于生成的图片，我们还需要GAN中的判别器来判别它是否为真实图片，由此构成对抗生成网络。设这个判别器为 D_{Y}

这里会出现所有的X映射到一个Y，损失就会没有意义了。
再假设一个映射G，它可以将Y空间中的图片y转换为X中的图片G(y)。CycleGAN同时学习F和G两个映射，并要求 F(G(y)) \approx y ，以及 G(F(x)) \approx x 。也就是说，将X的图片转换到Y空间后，应该还可以转换回来。这样就杜绝模型把所有X的图片都转换为Y空间中的同一张图片了。

为G也引入一个判别器 D_{X} ，由此可以同样定义一个GAN的损失

最后的损失就会是这样三个和在一起

pix2pix也可以做图像变换，它和CycleGAN的区别在于，pix2pix模型必须要求成对数据（paired data），而CycleGAN利用非成对数据也能进行训练(unpaired data)。
这里用橘子案例来实战跑一下。
地址：https://github.com/vanhuyz/CycleGAN-TensorFlow
这里只跑两轮。

可以看到几乎不起作用，训练太少了，没有很好的拟合。

所以最后测试苹果转橘子的效果很差


然后这里用训练好的模型导入再看一次

明显要比上面清晰好多。
参考地址：https://zhuanlan.zhihu.com/p/28342644