GAN就完了

一、gan是什么，是对抗生成网络。在提出的对抗网络框架中，生成模型与对手对抗：一个判别模型，学习确定样本是来自模型分布还是数据分布。生成模型可以被认为类似于一个造假者团队，试图制造假币并在不被发现的情况下使用它，而判别模型类似于警察，试图检测假币。这场比赛的竞争促使双方改进他们的方法，直到假货与真品无法区分。

二、看公式

为了学习生成器在数据 x 上的分布 ，输入噪音为，将映射到数据空间表示为

D(x) 表示 x 来自数据而不是来自  的概率，

1、训练D（判别器）以最大化将正确的标签分配给真实图片和来自G（生成器）生成的样本的概率

2、同时训练G（生成器）以最小化  

换句话说，D 和 G 玩下面的两人极小极大游戏，其价值函数为 V (G, D)：

三、优缺点

缺点：

        主要是 pg(x) 没有明确的表示，并且在训练期间 D 必须与 G 很好地同步（特别是 G 在不更新 D 的情况下不能训练太多

四、结论和未来工作

1、这个框架允许许多直接的扩展

        （1）、条件生成模型 p(x | c) 可以通过将 c 作为输入添加到 G 和 D 来获得

        （2）、可以通过训练辅助网络来预测给定 x 的 z 来执行学习的近似推理。这类似于通过唤醒睡眠算法训练的推理网络，但其优点是可以在生成器网络完成训练后针对固定生成器网络训练推理网络

        （3）、半监督学习：从鉴别或推断净功能时的限制标记数据是可用可提高分类器的性能

        （4）、效率改进：通过在培训期间，通过消失更好的方法来解放G和D的更好方法，可以大大加速培训，或者从训练期间确定更好的分布。

code