深度学习之生成对抗网络（Gan）

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