原始GAN（生成对抗网络）详细解析

前言：以下所有内容是学习过程中产生的，不一定具有Ture可信度，仅供初学者学习参考，如果有不对的地方，敬请指正再批评；所有参考资料均来源于互联网和论文（做了整理，不算抄袭吧）。

摘要：主要从警察与造假币者的通俗例子讲解生成对抗网络的基本原理，生成器与判别器的概念，怎么样叫对抗过程？引出在图像生成中所用的生成对抗网络是怎么样的？论文中的原始GAN Loss函数的详细解释，它为什么就写成那么巧妙的样子？怎么训练GAN呢？会存在哪些问题呢？我们怎么知道GAN就训练好了呢？这些问题的答案都会在背后的数学逻辑中全部体现。

一、GAN的基本原理

1.经典的警察与造假币者

• 造假币者按照真实钱币的样子来造假，警察要分辨遇到的钱币是真还是假（造假币者就是生成器G，警察就是判别器D）
• 最初的时候，造假者造假能力不强，警察很容易判别出来；当被警察容易识别出来的时候，造假者就会继续修炼自己的技艺；于此同时，警察也要积累经验提高自己的判别能力；不断的造假，不断的判别，不断的提高自己的能力（这就是一个对抗过程）
• 最后的结果，造假者可以创造出以假乱真的钱币，警察难以区分（造假者已经是一个很好的可以刻画钱币的人）

2.图像生成中的生成对抗网络

生成器：试图生成逼真的图像来欺骗判别器
判别器：试图完美区分真实和虚假的图像

（图片来源于网络课程，名字忘了）

• 其中的生成器和判别器可以看成两个神经网络，全连接和卷积网络等都行，就是平常所见的神经网络；我们输入随机噪声给生成器网络，随机噪声一般是高斯分布或者均匀分布的，你也可以理解成反正输入一个多维向量给生成器网络就行；输入经过生成器网络以后就会被变成一个更高维的向量，也就是我们的生成器输出了一张生成图片，你可以想象成把图片的每个像素点看做向量的每个维度元素，一张图片那么多像素点，不就是个高维向量嘛；把生成器生成的图片输入到判别器网络，也会同时输入真实的图片给判别器，判别器就会对图片进行打分，也就是判别真假，它的目标是尽可能给真实的图片高分，给生成器网络生成的虚假图片低分；这就是图像生成中的生成器与判别器的概念。
  
• 上图是一个对抗训练的过程。从左向右看，在刚开始也就是v1的时候生成器生成的这些二次元图像是模糊的乱糟糟的，判别器就很容易判断出真实图像与虚假图像了；这时候生成器知道了判别器对自己生成的图像判断很差，那可不行，我需要生成更好的图像去骗过判别器，需要进化，就慢慢进化到了v2，v2能生成比v1更好的图像了；判别器可能判断难度增加了，因为生成器生成的图像跟真实图像越来越像了，它是可以知道自己的判断能力的，不能被生成器欺骗，它也需要进化，尽可能的去区分真实图像和生成器生成的虚假图像…这个过程一直持续下去，相互进化，相互对抗。直到判别器在生成图像与真实图像之间没法判断，换个说法就是判断一张图像是真实图像