对抗神经网络学习（简单的理解）

深度卷积对抗神经网络（DCGAN)

从随机向量生成真实图像
如何构建一个新的GAN网络
	1.定义目标
	2.定义G的输入输出
	3.定义D的输入输出
	4.设计G和D的结构

目标函数
最大化D(是否是真的概率）,最小化G
训练判别器，使V(D,G)变大
训练生成器，使V(D,G)变小
反卷积
理解：卷积操作展开
逆过程
模型结构：
pooling层用convolutional层替代(减少信息损失）
G和D上都使用batch normalization
帮助解决初始化差的问题
梯度传播到每一层（避免梯度消失）
BN不应用于输入层和输出层（经验）
移除全连接层，使用global pooling
G上除了输出层使用tanh外其他都用relu
D上使用LeakyRelu

配对图像翻译（Pix2Pix)
模型结构G-------->U Net
类似于encoder-decoder,先卷积做反卷积
问题：数据必须成对
无配对图像翻译（CycleGNN)
目标：从非配对图像中学到转换
思路：能转出再转回来基本不变，输入x做一个损失函数，专程的输出y也做一个损失函数
一致性约束保证了它的有效性
两套GNN
多领域图像翻译（StarGNN)
G的输入添加目标领域的信息b除了判断是否真实以外，还需要判断类别
图像重建loss

文本生成图像

1. 模型结构
   G:
   输入:随机向量+文本编码
   输出：图像
   D:
   输入：生成图像+文本编码
   输出：图像文本是否匹配+图像是否真实
   。
   。
   训练技巧
2. 先将图像是否合理训练出来，再训练图像是否匹配
3. 在训练时注意添加（真图，不匹配描述的反例）