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