机器学习【5】：生成对抗网络（GAN，Generative Adversarial Network）

一. 什么叫生成对抗网络

     Lan J.Goodfellow等于2014年10月在Generative Adversarial Network中提出的一个通过对抗过程估计生成模型的新框架。框架中同时训练两个模型：捕获数据分布的生成模型G，和估计样本来自训练数据的概率的判别模型D。

     举一个例子来说，现在有一个假的画家，有一个判别家，假的画家就是生成器G，判别家就是D，假画家不断的画画，然后判别家不断的去判断这幅画，是不是真画家画的，真画家的画也会给到判别家，然后判别家会把这个结果传递给G，也就是假画家，假画家会进行学习，不断的去迷惑判别家，判别家也会不断学习，减少被迷惑的概率，到最后，假画家画出来的话，判别家就很难辨认真伪了。

 

二. GAN模型原理   

GAN基本原理：以生成图片为例。假设我们有两个网络：G(Generator)和D(Discriminator)。他们的功能分别为：

    G：一个生成图片的网络，它接收一个随机噪声z，通过这个噪声生成图片，记做G(z)；

    D：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。

    在训练中，生成器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的目标就是尽量识别出生成器的假图片。这样，G和D构成了一个动态的“博弈”。

    理想状态下，G可以生成足以“以假乱真”的图片G(z)。对D来说，它难以判定G生成的图片究竟是不是真实的，这样我们的目的就达到了：我们得到了一个生成模型G，它可以用来生成我们想要的图片。

 

三. GAN更新公式

           

      这就是整个模型损失函数的定义，其实是一个交叉熵，其中x表示真实图片，z表示输入G网络的噪声，G(z)表示G生成器中生成的图片，D表示D网络判断图片是否真实的概率（判别家的角色）。判别家D的目的是尽可能的使得D(x)接近1，令D(G(z))接近0，所以D主要是最大化上面的损失函数，G恰恰相反，他主要是最小化上述损失函数。