概念:
生成对抗网络(GAN,Generative Adversatial Networks)是一种深度学习模型,近年来无监督学习上最具前景的方法之一。
模型主要通用框架有(至少)两个模块:生成模型(generative)和判别模型(Discriminative)的互相博弈学习产生的相当好的输出。
原始GAN理论中,并不要求G和D都是神经网络,但使用中一般均使用深度神经网络作为G和D。
发展历史:
Ian J. Goodfellow在2014年《Generative Adversarial Networks》中提出的一个通过对抗过程估计生成模型的新框架。
框架中同时训练两个模型,捕获数据分布的生成模型G和估计样本来自训练数据的概率的判别模型D。G的训练程序是将D错误的概率最大化。
方法:
GAN模型:
机器学习的模型可大体分为两大类,生成模型和判别模型。判别模型需要输入变量,通过某种模型来预测,生成模型则是给定某种隐含信息,来随机产生观测数据。
举例:
- 判别模型:给定一张图,判断这张图力的动物是猫还是狗
- 生成模型:给一系列猫的图片,生成一张新的猫咪(不在数据集里)
对于判别模型,损失函数是容易定义的,因为输出的目标相对简单。但对于生成模型,损失函数的定义就不是难么容易。我们对于生成结果的期望,往往是一个暧昧不清,难以数学公理化定义的范式。所以把生成模型的反