GAN生成对抗网络

GAN模型架构涉及两个子模型：用于生成新示例的生成器模型和用于对生成器示例生成的示例进行判断是真实的还是伪造的的鉴别其模型。

• 生成器：用于从问题域中生成新的合理的模型。
• 鉴别其：用于将示例分类为真实的(来自域)或伪造(生成)的模型。

生成器和鉴别器这两个模型是一起训练的。生成器生成一批样本，并将这些样本以及该域中的真实示例提供给鉴别器，并分类为真实或伪造。举一个栗子：生成器相当于伪造者努力造成成像真实货币的金钱，鉴别器相当于警察，努力学习辨别真假货币。两个模型相互竞争，在博弈论意义上是对抗性的。他们在玩Zero-sum game，Zero-sum game意味着当鉴别器成功识别真实或伪造样本时，将获得奖励或不需要对模型参数进行任何更改，而生成器回对模型参数进行大的更新而受到惩罚。奖励与惩罚的和为零。

[训练]促使鉴别器尝试学习正确地将样本分类为真实或假样本。同时，生成器尝试欺骗分类器，使其认为其样本是真实的。收敛时，生成器的样本与真实数据是无法区分的，鉴别器到处输出1/2。然后可以将鉴别器丢弃。
条件生成对抗网络
如果生成器和鉴别器都以某些额外信息y为条件，则生成对抗网络可以扩展为条件模型。y可以是任何种类的辅助信息，例如类标签或其他形式的数据。我们可以通过将y作为附加输入层输入到鉴别器和生成器中来执行调节。在用于图像到图像翻译的条件GAN的情况下，例如将白天转换为晚上，向鉴别器提供了真实和生成的夜间照片以及（以）实时白天照片为输入的示例。为生成器提供了来自潜在空间的随机矢量，以及（以）实时日照为条件（作为条件）作为输入。