GAN
基本概念
- 生成器(G):生成器试图生成逼真的假样本(如图像),其输入通常是随机噪声(如高斯噪声或均匀噪声)。生成器的目标是通过学习训练数据的分布来生成与真实数据尽可能相似的样本。
- 判别器(D):判别器的任务是区分真实数据和生成器生成的假数据。它的输入是一个样本,输出是真实样本的概率。
工作原理
GAN的训练过程可以看作是一个双人零和博弈:
- 生成器的目标:生成器G希望生成的样本能够欺骗判别器D,使其认为这些假样本是真实的。
- 判别器的目标:判别器D希望能够准确地区分真实样本和生成样本,尽可能提高识别真实样本的概率,同时降低对假样本的识别概率。
生成器和判别器通过对抗训练不断提高自身能力。具体来说:
- 生成器G:接受随机噪声z作为输入,生成样本G(z)。
- 判别器D:接受样本x作为输入,输出D(x),表示样本x为真实样本的概率
损失函数
GAN的损失函数包括两个部分:生成器的损失和判别器的损失。
-
判别器的损失:判别器的目标是最大化识别真实样本的概率,最小化识别生成样本的概率。