GAN (Generative Adversarial Network)
讲解视频(同济子豪兄):生成对抗网络GAN开山之作论文精读(同济子豪兄)
生成对抗网络分为生成器(Generator) 和判别器 (Discriminator)
生成器:使得判别器尽可能地犯错,重现原始数据的数据分布
判别器:尽可能地识别出真数据和假数据
输入:噪声的随机数(可以设定分布如均匀分布/高斯分布)
之前大部分神经网络是判别式模型,拟合条件类型概率p(y|x);而生成式模型拟合联合分布概率p(x,y)。之前的深度生成模型通过计算最大化的对数似然概率。而GAN通过直接生成分布的方式。
上述目标函数无法得到数值解,因此是一个优化问题。每训练k次判别器,训练一次生成。
从a到d,判别器越来越无法区分这两个分布。真实数据是分布黑色点线,生成器图像分布是绿线。只要模型容量足够,最终达到纳什均衡,也就是全局最优解的情况,即生成器的分布等于数据原始的分布,D(x) = 0.5。每次采样m个噪声,生成m个假图像,然后选取m个真图像进行二分类。判别器梯度下降方向:最大可能地使得判别器被误判。