2020-08-27

GAN学习以及示例代码

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

提示：Gan入门学习材料以及一些常用的pytorch的Gan实现代码

---

一、GAN是什么？

GAN–Generative Adversarial Nets，即生成对抗网络。2014 年，Ian Goodfellow 的论文-《Generative Adversarial Nets》论文网址https://arxiv.org/pdf/1406.2661v1.pdf。

GAN的思想是基于博弈理论，在博弈中有两个模型：generator–生成器（G）和discriminator–鉴别器(D).

• G-生成器
  （1）生成器作用就是给定服从某种分布的随机数（如正态分布），模型就可以给你生产以假乱真的假数据，如图像和文字等。生成器要做的就是找到一种映射关系，将随机数的分布映射成特定数据的分布。
  （2）生成网络是造样本的，它的目的就是使得自己造样本的能力尽可能强，强到什么程度呢，你判别网络没法判断我是真样本还是假样本。生成器可以是一个神经网络模型，输入是一组随机数Z，输出是一个图像或文字，不再是一个数值而已。
• D-鉴别器
  （1） 鉴别器就像一个真假鉴定专家，它能准确地将正假数据分开。一般来说鉴别器就是一个二分类器，对于输入数据是真数据时，输出为1，当初入数据为假数据时，输出为0.
  （2）直观来看判别器就是一个简单的神经网络结构，输入就是一副图像，输出就是一个概率值，用于判断真假使用（概率值大于0.5那就是真，小于0.5那就是假）。就是能判别出来属于的一张图它是来自真实样本集还是假样本集。假如输入的是真样本，网络输出就接近1，输入的是假样本，网络输出接近0，那么很完美，达到了很好判别的目的。

生成器和判别器通过反复地对抗，最终理想情况下， G 生成的数据与真实数据非常接近，分布也相同，而 D 无论输出真实数据还是 G 伪造的数据都输出0.5。这样我们的目的就达成了：我们得到了一个生成式的模型G，它可以用来生成图片或数据。

目前最重要的是要理解 GAN 差不多就是把两个网络放到一起工作的方法——生成器和判别器都有它们自己的架构。
需要注意的是生成模型与对抗模型可以说是完全独立的两个模型，好比就是完全独立的两个神经网络模型，他们之间没有什么联系。

二、GAN训练原理

1.目标函数

• max 部分的含义是，D 要尽可能正确地识别出真实数据和 G 伪造的数据。
• min 部分的含义是，G 要尽可能缩小自己生成的数据与真实数据的差别，让 D 真假难别。

GAN的训练原理如下：单独交替迭代训练。

在每一步的训练中：

取 m 个真实数据，使用 G 和 m 组随机数（一般使用服从正态分布的随机数）生成 m 个假数据
根据 max 部分的目标更新 D 的参数，提高 D 的分辨能力
根据 min 部分的目标更新 G 的参数，使 G 生成的数据更有迷惑性

代码如下（示例）：
示例代码1
https://blog.csdn.net/jizhidexiaoming/article/details/96485095
示例代码2
https://www.pytorchtutorial.com/50-lines-of-codes-for-gan/