![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/b717ea32947f0a3d072161f4f3ea83e4.jpeg)
对抗生成网络(Generative Adversarial Nets)
假如有一组噪音的数据,通过G的网络生成一组参数,生成一组Z数据。生成网络就是帮助我们将一个噪音的数据转换为一个真实的分布,这就是我们想要得到的数据。
假设有一叠纸张,小偷就相当与生成网络,小偷负责将纸张转化为假钱,而警察就相当于判别网络,可以判别生成出来的钱是真钱还是假钱。最后想要让生成网络生成出来的数据,判别网络怕判别不出来真假,这样的生成网络就是我们所想要的生成网络。所以我们就需要判别网络有一个很好的判别能力。因为差的判别网络,那么生成网络生成的数据很差,可能都分别不出来真假。
生成网络生成出来的数据更加真,判别网络的判别能力更强。
对于真实的数据,我们希望D(x)判别网络可以将真实的精确的判别为1
Discriminator Strategy(鉴别策略)
希望最终这两个真实和生成的数据可以达到一个平衡的状态,判别式中包含了真实和生成数据的分布。
最终结果我们希望Pdata和Pmodel 的值相同,D(x)的值为1/2,判别式怕辨不出来。
损失函数
最大化区分度,最小化生成数据与真实数据之间差异。
判别模型左边,当数据是一个真实的数据的时候,我们希望真实的数据判别完的值就是1,加log后值就是趋近于0,右边是一个生成的数据,,我们希望其判别出来的值是0,那么1-0还是1,最后的值还是一个趋近于0的值 。
如果将真实数据判别为假,最后判别模型的值就会非常的大。
生成模型想要其生成输出的数据判别出来的值为1。