GAN 生成对抗网络

前言

本文的全部内容均参考自 Generative Adverserial Nets 这篇文章，可以在下面的链接中提取。

链接：https://pan.baidu.com/s/1ihBw3ukCGCz_QVBxfkgxPw
提取码：1234

本文内容仅用于参考和记录！

GAN 简介

GAN 的全称是 Generative Adverserial Nets，意为 生成对抗网络。在 GAN 中，存在着两个网络模型，一个是生成网络模型，记为 $G$；另一个是辨别网络模型，记为 $D$。其中，模型 $G$ 的任务是生成一些数据样本，并让生成器无法辨别，而模型 $D$ 的任务是尽量准确的区分真正的数据样本和 $G$ 生成的数据样本。

GAN 的应用由很多，比如一个名叫“这个人不存在的网站”（https://thispersondoesnotexist.com/），就是用到了 GAN 来产生的人脸图片。

对抗网络

GAN 中由两个网络模型，分别是生成器 $G$ 和辨别器 $D$，GAN 的价值函数是:

这里目标是最小化生成器 $G$ 和最大化辨别器 $D$.

GAN 的理解可以使用下面的图示。

真正的数据是 x，服从高斯分布；z 是一个随机噪音，符合均匀分布。在图片 （a）中，将数据 z 映射到 x 时候，产生的数据（也就是 $G(z)$）服从绿色实线的分布。此时辨别在靠右位置认为是虚假数据，靠左边的位置认为是真实数据；在图片（b）中，生成器会将生成的数据的均值向左移动，这样辨别器在辨别的时候就会更加容易犯错（这也是生成器的目的）。最终，生成器会产生一个和真实数据分布非常相似的分布，而这时辨别器再也无法分辨真实数据和生成数据，这个时候，就达到了均衡，可以认为 GAN 就收敛了。

GAN 的算法如下所示。

理论证明

理论主要介绍了 GAN 是由一个全局最优解的，以及 GAN 的算法是可以找到这个最优解的。这里原文介绍非常详细，可以直接参考原文来理解。

结语

GAN 是一个目前非常火热的神经网络，希望可以实现一两个基于 GAN 的 demo!