GAN[1]：原论文介绍及代码实战

Generative Adversarial Nets

前言

GAN同时训练两个模型：

（1）生成模型G，其主要是用来捕获给定数据的分布特征，依此生成类似的数据样本。

（2）判别模型D，用来判别数据到底是来自原始数据还是由生成模型G生成的伪造数据。

G和D的训练类似一个假币制造者G和验钞者D的对抗游戏。G要制造足够假的假币，D要以最大概率识别出G制造的假币。推理证明这个模型最终的结果就是G生成了一个很像原始分布的数据（即假币足够逼真），而D的判别概率稳定在$1/2$（即直观上看，和瞎猜是不是假币没什么区别）。

最原始的GAN生成器和判别器都是用的多层感知机，就是现在CNN里面常提到的全连接层。

介绍

判别模型（discriminative model）学习分辨样本到底是来自生成的样本还是原始数据。而生成模型（generative model）充当一个伪造者，制造假的样本数据。判别模型判断得越准，生成模型也会根据对手的进步不断提升自己的造假水平。最终两者到达一个平衡点，那就是生成的样本足够逼真，判别模型只能以一半的概率判断是否是假的。

为了得到生成器G在给定数据集$x$上的分布$p_g$，我们首先要定义一个噪声变量$p_z(z)$ ，这个变量很关键，因为它就是生成器G的输入，通过多层感知机转化为了伪造样本$G(z;\theta_g)$ ，这里的 θ