GAN理论介绍

$GAN$ 的流程介绍见上一篇博客GAN(生成对抗网络)

$Generator$的目标是什么

生成数据的分布和真实数据的分布越接近越好，这样的话，随机生成的一份数据才更接近真实数据中的一份数据

• 输入是服从一种已知分布的数据，通过 $G$，得到服从一种新的分布的数据
• 我们的目标是让生成的数据的分布和真实的数据的分布越接近越好
• 这时候我们利用 $Div(P_G,P_{data})$ 来表示两组数据之间的差异
• 但是我们甚至不知道 $P_G$ , $P_{data}$ 的分布是什么样的，自然无法计算出两组数据之间的 $Divergence$
  

GAN可以通过抽样计算Divergence

• 不需要知道 $P_G$ 和 $P_{data}$ 的式子，只需要sample
  

通过 $Discriminator$

$Discriminator$ 的目标就是给真实图像一个比较大的分数，给生成图像一个比较小的分数

• 这个问题可以看做是二分类问题，$Discriminator$ 可以当做 $Classifier$ 来训练

• 这里的 $D(y)$ 就是 $Discriminator$ 对一个输入产生的分数
  
  $ObjectiveFunction$ 的最大值反映了 $Divergence$ 的大小

• 如果生成图片和真实图片的差距很小（$Divergence$ 小），$Discriminator$ 就不容易将这两类分开，目标方程的最大值就比较小

• 如果生成图片和真实图片的差距很大（$Divergence$ 大），$Discriminator$ 就很容易将这两类分开，目标方程的最大值就比较大
  因此我们可以用上面的 $maxV(D,G)$ 来代替 $G^{\ast }$ 中的 $Divergence$
  
  至此，$Generator$ 和 $Discriminator$ 都有具体的目标方程，可以进行迭代优化