在阐述GAN之前,我们先看和GAN原理相似的图灵测试:
在图灵测式中,AI(A) 和一个正常人类(B)一起被关在房间里,房间外有个裁判员(C)通过非接触的方式与房间内的 A 和 B 交流。A,B,C 三者刚好对应于 GAN 中的 Generator,Real Data 和 Discriminator。互相对应的这三者的目标也完全一致:A(Generator)试图生成与 B(Real Data)足够相似的响应,使得 C(Discriminator)无法正确分辨这响应是谁产生的;而 C(Discriminator)的目标则是尽力正确地分辨响应的来源。
生 成 式 对 抗 网 络 (
Generative Adversarial Networks, GAN)
是
2014
年 由
Goodfellow
等人
提出的一种生成式深度学习模型。
在GAN中最重要的就是如下这个优化目标函数:
此公式实质上就是两个优化函数(在GAN中对应生成器G,和判别器D)。拆分上面公式,分别对两个优化函数进行优化:
优化D:
Discriminator 的目标则可以表示为将 判断为真的概率 尽可能小,也即 尽可能大;将真实数据 判断为真的概率 尽可能大。因此它的目标函数可以表示如下:
优化G:
Generator 的目标:当 Discriminator 收到了来自自己的 时,将其判断为真的概率 尽可能大。因此 Generator 的目标函数如下:
引用:
https://blog.csdn.net/liuweizj12/article/details/73741434