生成对抗网络基本概念

参考：https://www.bilibili.com/video/av46183889/

1. Gan是由一个生成器和一个判决器组成。在图像领域，对于生成器而言，输入一个向量，输出一幅图片。向量的某一维对应图片的某个特征。例如如果要生成二次元图片，可能第一维对应的是二次元人物的发型。第二维对应头发的颜色等等。对于判决器，输入一张图片，输出分值，分值越大，说明生成的图片质量越接近真实图片。
2. 训练过程是，首先固定生成器，试图训练判决器，让判决器能够将真实图像分值为1，生成图像分值为0，然后固定判决器，试图训练生成器，让生成图像的分值为1，如此循环迭代。
3. 这里提出一种假设，可否让生成器自己学习，这里需要的生成器就如同autoencode中的decode过程，输入一张图片先decode成向量，再由向量encode成图片输出，损失函数是令输入输出尽可能的一致。那么decode就是我们需要的生成器，通过随机输入隐含层的向量。同时假设向量a产生图片的类别跟向量b产生的类别相同，只是方向或者颜色略有差异，那么当输入是0.5的a和0.5的b的时候，我们希望输出的还是相同类别的图像，但是由于神经网络是非线性的，所以结果很可能最后产生的是噪声。
4. 针对这种情况，就出现了VAE变分自动编码器，VAE不同的地方在于loss中除了使生成图像与输入图像尽可能地接近外，还假设Z服从正态分布。通过神经网络在encode过程中加入对均值和方差的loss，这样可以在Z中取样，进行生成图像。