怎么训练 GAN 网络

        我最近看的一些底层图像算法的 paper 有很多用了各种变形的 GAN 来做。我就很好奇，GAN 到底有啥牛逼。网上关于 GAN 的介绍很多，我从 GAN 的训练角度口头解释下其训练机制。

        GAN 的核心思想是纳什均衡理论。因此，GAN 网络中包含一个生成器和一个判别器，如下图所示。生成器和判别器本质是两个独立的网络，因此训练的时候独立训练。

                    

                                                                                   GAN 结构示意图（来源网络）

        其训练机理为：生成器和判别器单独交替训练。步骤如下：

1. 训练判别器：

    固定生成器的参数，x 输入判别器后输出的结果标签为1，随机噪声 z 输入生成器得到 G(z)，再输入判别器后得到的输出结果标签为0，训练判别器到收敛。

2. 训练生成器：

    固定判别器的参数，随机噪声输入生成器得到的假图，然后输入判别器得到的结果的标签为1，训练生成器到收敛。

3. 交替循环步骤1和2，当然也可以在不收敛的过程中交替训练。

    具体的操作步骤我还没有实践过，改天有时间玩个 demo。