深度学习：第六章：生成对抗网络GAN

深度学习：第一章：机器学习基础-CSDN博客

深度学习：第二章 人工神经网络-CSDN博客

深度学习：第三章：卷积神经网络-CSDN博客

深度学习：第四章：循环神经网络RNN和LSTM-CSDN博客

深度学习：第五章 目标检测-CSDN博客

深度学习：第六章：生成对抗网络GAN-CSDN博客

---

纳什均衡：生成器与判别器对抗、优化的过程就是在二者之间寻找一个纳什均衡

训练过程：

生成网络：在噪声中随机采样，输入模型，输出一组假数据记为G(z)；在真实数据中随机采样，作为真实数据x；将以上两种数据中的随机一种给判别网络，判别网络反馈0~1；生成器根据反馈得到损失函数，更新模型。    原始的生成网络生成的样本的真实程度只能通过判别网络才知道，所以在训练生成网络时，需要联合判别网络才能达到训练的目的。生成器先将生成的假样本标签置为1，认为这些假样本在生成网络训练的时候是真样本。因为此时是通过判别器来生成误差的。当假样本足够真实，标签为1时，判别器给出的误差就会减小，这就完成了假样本向真样本逐渐逼近的过程

判别网络：根据真样本集和最初生成网络生成的假样本集训练模型（有监督二分类）

一个很重要的操作是固定判别网络的参数，不让判别网络参数更新，只是让判别网络将误差传到生成网络，更新生成网络的参数。

完成一次训练，有了新的假样本集，就可以重复上述过程

CGAN：GAN的改进，给原始GAN的生成器G和判别器D添加额外的条件信息，实现条件生成模型

DCGAN：生成器和判别器都舍弃了CNN的池化层；每一层之后都用BN层提升训练稳定性；利用1*1卷积层替换到所有的全连接层

模式坍塌