深度学习七：GAN和DCGAN入门

GAN的全称为Generative Adversarial Networks，意为对抗生成网络。原始的GAN是一种无监督学习方法，它巧妙地利用“对抗”的思想来学习生成式模型，一旦训练完成后可以生成全新的数据样本。DCGAN将GAN的概念扩展到卷积神经网络中，可以生成质量较高的图片样本。GAN和DCGAN在各个领域都有广泛的应用，这篇文章首先会介绍他们的原理，再介绍如何在TensorFlow中使用DCGAN生成图像，关于GAN和DCGAN的更多项目会在接下来的章节中进行介绍。

GAN的原理

GAN的原理其实非常简单。可以把GAN看成数据生成工具，这里以生成图片数据为例进行讲解，实际GAN可以应用到任何类型的数据。

假设有两个网络，生成网络G（Generator）和判别网络D（Discriminator） 
他们的功能分别是：

• G负责生成图片，它接收一个随机的噪声z，通过该噪声生成图片，将生成的图片记为G(z)。
• D负责判别一张图片是不是“真实的”。它的输入是x，x代表一张图片，输出D(x)表示x为真实图片的概率，如果为1，代表真实图片的概率为100%，而输出为0，代表不可能是真实的图片。

在训练过程中，生成网络G的目标是尽量生成真实的图片去欺骗判别网络D，而D的目标是尽量把生成的图片和真实的图片区分开来。这样，G和D构成了一个动态的“博弈”，这就是GAN的基本思想。

最后博弈的结果是什么？在理想的状态下，G可以生成足以"以假乱真"的图片G(z)。对于D来说，他难以判定G生成的图片究竟是不是真实的，因此D(G(z))=0.5。此时