深度学习《BiGAN》

BiGAN的算法思想：这里把将编码器和解码器分开，不再一起训练，但是额外加一个判别器，将编码器和解码器的输入和输出（Z和X）同时作为判别器的输入，然后让判别器区分输入数据是来自编码器还是解码器，但是encoder和decoder会尽量不让D做出正确的判别，如果有朝一日，判别器D无法分别输入的数据到底是来自哪个，就说明编码器的输入图片和解码器生成的图片很接近，编码器输出的z和解码器输入的z很接近，就成功了呢。

简单的原理就是将编码器看成一个P(x,z)分布，将解码器看成Q(x,z)分布，通过判别器，让他们的差异越来越小。

理想情况下，我们希望最后encoder和decoder达到这样的效果。

X输入到encoder，得到的code Z输入到decoder，就还原出X。
Z输入到decoder，得到的X输入到encoder，就能还原出Z。
也就是形成了一个AE。

算法如下：

P(Z)就是一个既定的输入，可以是正态分布。
判别器D希望能正确地分清楚输入数据的来源，那么encoder和decoder的目标就反着来，对着干，我就是不让你D分清楚。encoder目标让判别器D把来自自己的数据判别为是decoder的，decoder目标让判别器D把来自自己的数据判别为是encoder的。

说到这里，BiGAN的意思就是用GAN的判别器去训练出一个可以对接的encoder和decoder。除此之外，完了后呢，decoder就能拿来使用了，因为decoder就是GAN的generator。

感觉和VAEGAN有着异曲同工之妙啊，虽然设计上不同，D的目标上也是不同，但是都是借助AE和D来形成一个latent code的分布这样一来我们就可以既得到了AE，又得到了GAN。

那么BiGAN的结构是否是好像也可以改成训练两个自编码器？
因为我们期望最佳最理想的情况下，encoder和decoder二者是可以拼接起来的。

实际上还是有区别的，BiGAN在实际情况不可能最优，只能近似最优，而且这两个出来的图的特性不一样，自编码器出来还是跟输入的图一样，输入和输出可能没啥大差别哈，但是BiGAN计算出来的可能不是同一张图，但是还是原来图的内容，比如输入是一只鸟，输出可能是另一只鸟，鸟还是鸟，不会变别的，这个可能就是GAN的特性吧，BiGAN更具有创造特性。这种创造性可能是来自于评判标准的不一致。BiGAN没有重建损失，只是判别是来自哪个分布，这样的话要求就降低了，当然这是我猜的。。。