GAN -- 生成对抗网络

GAN -- 生成对抗网络

生成对抗网络（英语：Generative Adversarial Network，简称GAN）是非监督式学习的一种方法，通过让两个神经网络相互博弈的方式进行学习。该方法由伊恩·古德费洛等人于2014年提出。

假设有两个网络，G（Generator）和D（Discriminator）。正如名字所暗示的那样，它们的功能分别是：

◎ G是一个生成图片的网络，它接收一个随机的噪声z，通过这个噪声生成图片，记做G(z)。

◎ D是一个判别网络，判别一张图片是不是“真实的”。它的输入参数是x，x代表一张图片，输出D(x)代表x为真实图片的概率，如果为1，就代表100%是真实的图片，而输出为0，就代表不可能是真实的图片。

在训练过程中，生成网络G的目标就是尽量生成真实的图片去欺骗判别网络D。而D的目标就是尽量把G生成的图片和真实的图片分别开来。这样，G和D构成了一个动态的“博弈过程”。

最后博弈的结果是：在最理想的状态下，G可以生成足以“以假乱真”的图片G(z)。对于D来说，它难以判定G生成的图片究竟是不是真实的，因此D(G(z)) = 0.5。

 

【数学语言描述】

简单分析一下这个公式：

◎ 整个式子由两项构成。x表示真实图片，z表示输入G网络的噪声，而G(z)表示G网络生成的图片。

◎ D(x)表示D判断真实图片是否真实的概率（因为x就是真实的，所以对于D来说，这个值越接近1越好）。而D(G(z))是D判断G生成的图片的是否真实的概率。

◎ G的目的：G希望自己生成的图片“越接近真实越好”。也就是说，G希望D(G(z))尽可能大，这时V(D, G)会变小。因此式子的最前面的记号是min_G。
（注意：在讨论G时，由于第一项与生成器G无关，可忽略。）

◎ D的目的：D的能力越强，D(x)应该越大，D(G(x))应该越小。这时V(D,G)会变大。因此对于D来说是求最大，即max_D。

 

【随机梯度下降法训练D和G】

◎ 第一步：训练D，D是希望V(D, G)越大越好，所以是加上梯度(ascending)。

◎ 第二步：训练G，G希望V(D, G)越小越好，所以是减去梯度(descending)。

整个训练过程交替进行，即先训练 D，然后训练 G，不断往复。

 

【GAN发展史】

GAN发展年表

 

 

---

后续会继续补充，欢迎留言！