一文读懂GAN网络

12.1  GAN的理论知识
GAN主要由两部分构成：generator（生成式模型）和discriminator（判别式模型）：
● generator主要是从训练数据中产生相同分布的samples，对于输入x，类别标签y，在生成式模型中估计其联合概率分布；
● discriminator 则是判断输入是真实数据还是generator生成的数据，即，估计样本属于某类的条件概率分布。discriminator采用传统的监督学习的方法。
二者结合后，经过大量次数的迭代训练会使generator尽可能模拟出以假乱真的样本，而discriminator会有更精确的鉴别真伪数据的能力，最终整个gan会达到所谓的纳什均衡。即discriminator对于generator的数据鉴别结果为50%，50%。
生成器输入一个随机编码向量，输出一个复杂样本（如图片）；判别器输入一个复杂样本，输出一个概率表示该样本是真实样本还是生成器产生的假样本。判别器的目标是区分真假样本，生成器的目标是让判别器区分不出真假样本，两者目标相反，存在对抗。

                                              图12-1GAN网络
对于前面学习的监督学习神经网络都属于discriminator，下面对generator介绍一下。
12.1.1  生成式模型应用