生成对抗网络的通俗解释（GAN）

生成对抗网络的解释如下图所示

一个人（左）擅于制造假钱，制造出来的假钱交给专业的警察去评判，警察会把假钱与真钱对比，区分出来哪个是真钱，哪个是假钱，最终要达到的效果就是让警察难辨真伪，即最终警察判别真钱与假钱的概率均为1/2.

应用到网络当中，就是这个网络可以生成一种假的数据，同时会有一个辨别的结构去区分数据的真实性，通过不断地训练，最终想达到的结果为：让这种结构判别不出来哪个是真实的数据，哪个是生成的数据。

生成对抗网络GAN（Generative adversarial nets）[1]是由Goodfellow等人于2014年提出的基于深度学习模型的生成框架，可用于多种生成任务。从名称也不难看出，在GAN中包括了两个部分，分别为”生成”和“对抗”，整两个部分也分别对应了两个网络，即生成网络（Generator）G GG和判别网络（Discriminator）D DD，为描述简单，以图像生成为例：

生成网络（Generator）G GG用于生成图片，其输入是一个随机的噪声z \boldsymbol{z}z，通过这个噪声生成图片，记作G ( z ) G\left ( \boldsymbol{z} \right )G(z)
判别网络（Discriminator）D DD用于判别一张图片是否是真实的，对应的，其输入是一整图片x \boldsymbol{x}x，输出D ( x ) D\left ( \boldsymbol{x} \right )D(x)表示的是图片x \boldsymbol{x}x为真实图片的概率
在GAN框架的训练过程中，希望生成网络G GG生成的图片尽量真实，能够欺骗过判别网络D DD；而希望判别网络D DD能够把G GG生成的图片从真实图片中区分开。这样的一个过程就构成了一个动态的“博弈”。最终，GAN希望能够使得训练好的生成网络G GG生成的图片能够以假乱真，即对于判别网络D DD来说，无法判断G GG生成的网络是不是真实的。

综上，训练好的生成网络G GG便可以用于生成“以假乱真”的图片。
————————————————
版权声明：本文为CSDN博主「zhiyong_will」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/google19890102/article/details/124500755