生成式对抗网络GAN模型搭建

目录

一、理论部分

1、GAN基本原理介绍

参见另一篇博文：生成式对抗网络（Generative Adversarial Nets，GAN）

2、对KL散度的理解

• 基本原理：KL散度
• 在GAN中为何需要使用KL散度？
  假设我们现在知道样本的真实分布$p_{data}(x)$和由生成器生成的数据的分布$p_g(x;\theta )$。GAN的目标是得到一个能生成尽可能逼真的图片的生成器G，因此，我们希望$p_{data}(x)$和$p_g(x;\theta )$之间的差距越小越好。
  那么，如何训练G，优化参数$\theta$，使得$p_{data}(x)$和$p_g(x;\theta )$之间的差距缩小呢？
  现在我们可以从训练集抽取一组真实图片来训练$p_g(x;\theta )$分布中的参数$\theta$使其能逼近于真实分布。因此，现在从$p_{data}(x)$中抽取 m 个真实样本 { $x^1$, $x^2$, x 3 x^