GAN入门简介

定义

GAN（Generative Adversarial Networks ，生成式对抗网络）是一种深度学习模型。顾名思义，模型包含两部分：

1. 生成模型（Generative Model，G）
2. 判别模型（Discriminative Model，D）

在二者的互相博弈学习中产生预期的输出。原始 GAN 理论中，并不要求 G 和 D 都是神经网络，只需要是能拟合相应生成和判别的函数即可。但实用中一般均使用深度神经网络作为 G 和 D 。

主要思想

首先我们要明确，使用GAN的目的是为了生成我们需要的东西（图片、语音、文字等），那么我们首先来看一下生成器G。

G

有了神经网络的基础之后，我们不难理解，有一个神经网络G，你向其输入一个随机噪声（一维向量），G就会有一个对应的产出，依据我们的需求，分为不同的类型。

那这样为什么不够呢？换句话说，为什么还需要一个D？

因为我们没有一个评判G好坏的方法。假设用目标图片直接作为标签，然后求G的输出与标签之间的Loss，那么我们训练的G就只能得到对应标签的输出，这并不满足我们的需求，我们想要的是G能够产生一个类型的图片而不是某一个特定的图片（以下都使用图片生成作为例子，其他的情况类似），这时候就需要判别器D了。

D

那么D是如何工作的？

D是一个用来评判G产生的图片好坏的模型，所以D要有自己的标准，这个标准就是我们的“标签”，也就是真正的图片，而将G产生的图片叫做虚假的图片。

于是，D开始打分：

此过程的目的就是让D知道什么是真图，什么是假图，从而在看到G产生的假图后可以分辨出来。

拟人一下

G就是学生，D就是老师；

1. 学生不知道猫是什么样子，于是将自己画的猫交给老师，老师依据自己的经验（什么样的猫是真的，什么样的猫是假的）给出结果，将作业退回；
2. 老师又去看到了更多的猫，变得更加严格；
3. 学生依据结果改进自己的作品，画的猫更加真实（例如这次给猫加了眼睛）；
4. 上交作业，老师拿到学生的作品，依旧觉得不可以，再退回去，跳到2，开始重复2、3、4（就是我们的训练过程）；

于是若干循环后，老师再一次拿到了学生的作品，发现凭借自己的经验，无法判断学生的猫和真实的猫哪一个是真哪一个是假，这时候我们的训练目的就达到了，也就是训练出了我们理想的生成器G。