GAN概述

Generative adversarial network（GAN）生成对抗网络

1、GAN的初衷就是生成不存在于真实世界的数据。类似于使得AI具有创造力或者想象力。

应用场景：

①AI作家、AI画家等需要创造力的AI体

②将模糊图变清晰（去雨、去雾、去抖动、去马赛克等），这需要AI具有所谓的“想象力”，能脑补情节

③进行数据增强，根据已有数据生成更多数据供以feed，可以减缓模型过拟合现象

2、GAN原理

GAN的两大护法：G、D

G是generator，生成器: 负责凭空捏造数据出来

D是discriminator，判别器: 负责判断数据是不是真数据

在最原始的GAN论文里，G和D都是两个多层感知机网络。

      以图像为例，解释上图，z是随机噪声（就是随机生成的一些数，也即是GAN生成图像的源头）。D通过真图和假图的数据（相当于天然label），进行一个二分类神经网络训练。G根据一串随机数就可以捏造一个“假图像”出来，用这些假图去欺骗D，D负责辨别这是真图还是假图，会给出一个score。比如，G生成了一张图，在D这里得分很高，那证明G是很成功的；如果D能有效区分真假图，则G的效果还不太好，需要调整参数。GAN就是这么一个博弈的过程。

3、GAN训练

      GAN的训练遵循DGDGDG的顺序，其中DG为一轮，先训练D再训练G，可以看出不是等所有的D训练好以后，才开始训练G，因为D的训练也需要上一轮中G的输出值作为输入。

      设DGDGDG为D（1）G（1）D（2）G（2）D（3）G（3），以训练D（2）G（2）为例。

（1）训练D（2）

      将G（1）产生的图片和真实图片直接拼接在一起作为x，按顺序摆放0和1，假图对应0，真图对应1。然后就可以通过x输入生成一个score（从0到1之间的数），通过score和y组成的损失函数，就可以进行梯度反传从而进行训练。

（2）训练G（2）

      输入一组随机向量，就可以在G（2）生成一张图，通过D（2）对生成的这张图进行打分。score=1就是DG系统需要优化的目标，score和y=1之间的差异可以组成损失函数，然后可以反向传播梯度从而进行训练。注意，这里的D（2）的参数是不可训练的。这样就能保证G（2）的训练是符合D（2）的打分标准的。这就好比：如果你参加考试，你别指望能改变老师的评分标准。

4、整个GAN的整个过程都是无监督的(后面会有监督性。如何理解其是无监督的？

      给的真图都是没有经过人工标注的，系统只知道是真实的图片，并不知道来的图片是什么玩意，比如全是人脸，它只需要分辨真假。G也不知道自己生成的是什么玩意，反正就是学真图片的样子骗D。正由于GAN的无监督，在生成过程中，G就会按照自己的意思天马行空生成一些“诡异”的图片，可怕的是D还能给一个很高的分数。比如，生成人脸极度扭曲的图片。这就是无监督目的性不强所导致的。有一篇论文conditional GAN就加入了监督性进去，将可控性增强，表现效果也好很多。