常用生成模型 -- GAN

1、GAN简介

GAN，对抗生成网络， 包括两个网络，即生成器G与判别器D。它们的功能分别是：

（1）G是一个生成图片的网络，它接收一个随机的噪声z，通过这个噪声生成图片，记做G(z)。相当于decoder。

（2）D是一个判别网络，判别一张图片是不是“真实的”。它的输入参数是x，x代表一张图片，输出D（x）代表x为真实图片的概率，如果为1，就代表100%是真实的图片，而输出为0，就代表不可能是真实的图片。相当于encoder。

在训练过程中，生成网络G的目标就是尽量生成真实的图片去欺骗判别网络D。而D的目标就是尽量把G生成的图片和真实的图片分别开来。这样，G和D构成了一个动态的“博弈过程”。在最理想的状态下，G可以生成足以“以假乱真”的图片G(z)。对于D来说，它难以判定G生成的图片究竟是不是真实的，因此D(G(z)) = 0.5。这样我们就得到了一个生成式的模型G，它可以用来生成图片。

 

2、GAN博弈过程

第1代生成器输入随机噪声，输出一张生成的图片，和真实图片一起喂入第1代鉴别器，鉴别器可以判断出这个样本是来自生成器还是真实图片，然后第2代生成器调节参数，生成一张更为真实的图片，继续喂给第1代鉴别器，第1代鉴别器无法判断这个样本是来自生成器还是真实图片，于是第1代鉴别器调节参数，有了第2代鉴别器，以此类推，直到鉴别器无法判断这个样本是来自生成器还是真实图片。

鉴别器工作：输入一张图像，判断图像和真实图像是否属于同一个数据分布，输出real或fake。

生成器工作：输入随机噪声，生成图像，喂给鉴别器判断真伪，鉴别器判断出来是fake，于是生成器继续生成更真实的图片，直到鉴别器判断结果为1，也就是认为生成器生成的图像是真实图像。

 

3、GAN原理

（1）极大似然估计 -- 已知结果，倒推出现这种结果最可能的参数。

（2）生成器通过函数G尽可能学习一个分布