GAN(Generative Adversarial Nets)生成对抗网络
GAN 主要包括了两个部分,即生成器 generator 与判别器 discriminator。生成器主要用来学习真实图像分布从而让自身生成的图像更加真实,以骗过判别器。判别器则需要对接收的图片进行真假判别。在整个过程中,生成器努力地让生成的图像更加真实,而判别器则努力地去识别出图像的真假,这个过程相当于一个二人博弈,随着时间的推移,生成器和判别器在不断地进行对抗,最终两个网络达到了一个动态均衡:生成器生成的图像接近于真实图像分布,而判别器识别不出真假图像,对于给定图像的预测为真的概率基本接近 0.5(相当于随机猜测类别)。
(自己理解:首先将该网络分成两个模块--Generator和Discriminator,其中G是产生我们所需目标的角色,而D则是通过我们直接训练造就的指导者。我们通过表示正样本和负样本或者说不断修改D所判别的结果使其符合我们预期,慢慢的D会形成一套自己的成熟网络体系。此时,D将这套网络体系传授给G,那么G可以明白自己要产生的产品是是什么样的,并不断优化成熟。)