GAN

---

1. 初识GAN

GAN模型中包含两个网络：生成器G和判别器D。G用来捕捉训练集数据的分布，D用来判别数据来自训练集还是生成器。

对该模型的优化需要同时训练G和D：训练D的目的是最大化判别器D的判别准确率，训练G的目的是最小化判别器D的判别准确率。这种问题理论上存在唯一最优解：生成器可以还原数据分布\(p_g=p_{data}\)，判别器D=\(\frac 12\)。

定义先验噪声变量\(p_z(z)\)，噪声映射数据空间函数\(G(z;\theta_g)\)，G是由包括参数\(\theta_g\)的多层神经网络。我们又定义了多层神经网络\(D(x;\theta_d)\)输出单一的标量。\(D(x)\)代表了数据来自训练集而不是生成器的概率。训练判别器D来最大化分配正确标签给训练集和生成器的概率，公式见（1.1）。训练生成器G最小化\(log(1-D(G(z)))\)。综上所述，定义目标函数见公式（1.2）。

maxDV(D,G)=Ex∼pdata[log(D(X))]+Ez∼pz(z)[lo