GAN(Generative Adversarial Net)

对另一篇GAN的理解：

GAN的思想原理来源于二人博弈（two-player game），博弈双方的利益为常数，一人利益增加，另一人利益必然减少。

GAN中有两个类似的博弈者，一个是生成器（generator），一个是判别器（discriminator），各自有各自的功能。

相同点：
两个模型内部都可以理解为 黑匣子，输入输入样本，得到一个输出。中间模型可理解为映射函数。
不同点： （功能）
生成器模型的功能：作为一个“样本”生成工具，将输入的“噪音/样本”包装成为一个逼真的样本，也就是输出。
判别器模型的功能：作为一个二分类器。判断输入样本的真假。

我们只拥有着一个真实的样本集合，除此之外什么都没有。
首先，使用一组随机数通过生成器得到一张图片，这就是制作的假样本。
然后，将（真/假）样本输入到判别器中，来判定这个样本属于（真/假）数据集。

生成器的目的：生成能够以假乱真的样本。
判别器的目的：判断出样本来源。

双方的目的是冲突的，在不断的对抗过程中两模型获得提升。

GAN模型的目的。也就是我们自己的目的，我们想要哪种种模型胜利。

进一步的理解

如何用数学方法去解决这个对抗问题。这就涉及到如何去训练这样一个对抗网络模型。

两个模型是两个完全独立的模型，他们之间并没有联系。
训练这两个模型的方法：单独的交替的迭代训练。

俩网络是串联，在训练生成网络时，判别网络的参数是不能进行更新的。这时判别网络只是传递误差。

原始GAN中的目标公式。

优化discriminator:

x为原数据样本，令D(x)趋向于1则前半段公式会趋向于0，z为原数据的先验分布，通过G(z)获得假数据，为了优化D则 D(G(z))检验出为假数据，则D(G(z))趋向于0，log（1-D(G(z))）趋向于正无穷。

优化generator：

优化G：则G(z)生成的数据要几乎与真实数据相同，则D(G(z))检测为真实数据
即1-D(G(z))趋向于0，整体函数趋向于负无穷。