生成式对抗网络（GAN）

1.基本概念介绍

一般的网络一个输入对应着一种输出，但是有时候同样的输入，输出可以是不一样的，所以可以在网络上加入一个分布，这个分布可以让网络有不同的输出。

Generator负责生成输出,Discriminator负责对比真实的输出，告诉Generator需要怎么改变才能接近真实的输出，然后Generator进化生成更真实的输出，而Discriminator也进化。

这就是对抗的由来。

2.理论介绍与WGAN

 我们的目标是让Generator生成的分布和真实的数据越像越好，但是这个距离很难衡量。

训练Discriminator的目标是让它能分辨出哪些是G生成的数据，哪些是真实的数据。而跟JS divergence有关。所以有了以下式子：换个distance计算。

3.生成器效能评估与条件式生成

GAN的训练并不是一件容易的事，G和D一旦有一个停滞了，另一个也不会进步，所以两者需要旗鼓相当。

评估会遇到的问题：

模型崩坏：生成的数据没有多样性；

Mode Dropping:生成的数据只有真实数据的一部分。

质量：生成的单张图片放到不同的分类器，得到的类别一致；

多样性：生成的多张图片放到分类器中，得到的分类多样化。

FID：通过对比分类前的向量分布和真实的图片分布来评估。

条件式生成：

Discriminator还要对比输入和输出是否匹配，用成对的数据集来训练。

4.Cycle GAN

图片风格转换，输入得到输出后，输出还要转换成输入。