《从青铜学到王者》Python 深度学习 之对抗生成网络GAN

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。