回归虚无，才得见万物

GAN论文研读(一)—–GAN与cGAN　　一开学就被各种杂事围攻，也没有心情写博文，不知不觉间已经四个多月没冒泡了（好吧我就是找了个借口~）。考虑到之前写的几篇博文一直没人点踩（zan），在小C同学的启发下，接下来的文章我将以专题的形式发布。1. 引言　　深度学习在图像分类、自然语言处理等领域已取得了卓越的成就。在GAN被提出之前，这些成就主要出现在判别式模型中，通过将高维特征映

GAN论文研读(二)—–DCGAN1. 卷积与转置卷积　　cGAN初步解决了GAN不能生成具有特定属性的图片这一问题，但是，GAN难训练，容易出现大量无效图片的弱点仍未得到改善。为此，Alec Radford等人[1]将卷积神经网络框架引入GAN中，替代原先的多层感知机模型，大大提升了GAN生成图片的稳定性。该论文虽没在理论上进行大量推导，但在GAN的工程实现上做出了不小的贡献。

回想之前提到的一种极端情况，如果判别器能力极强，G" role="presentation">GGG生成的任何图像他都能轻易辨识出，那么G" role="presentation">GGG其实学不到任何东西，即G" role="presentation">GGG的梯度弥散问题会十分严重。WGAN的作者正是从该点得到启发，将Earth-Mover距离引入GAN模型中，理论上解决了G" role="p

1. Cycle GAN与图像风格转换　　WGAN后，GAN生成图像不稳定的问题已基本解决，剩余的缺点以难以盖过它的优点。在这种情况下，Jun-Yan Zhu等人将GAN的应用推广到图像风格转换领域，并基于此给出了许多有趣的应用。图像风格转换一般需要一对图像作为训练样本，但是成对的训练样本在现实生活中往往是难以得到的，鉴于此，作者在Cycle GAN中取消了成对样本的限制，直接使用具有不同风格