对GAN的理解

1、网络是怎么判断两幅图像相似的？

判别器D输出值是一个概率值，其公式为：，当D（x）的值越大，说明pg(x)越小，

 

判别器D的训练目标可以看成是条件概率 P=（Y=y|x）的最大似然估计，当y=1时，说明x来自于pdata，当y=0时，说明x来自与pg（x）

则极大极小问题可以变形为：

 

理解篇：

随机噪声图片通过生成网络生成合成图像，该图像其实就是一个数据分布Pz()，通过该数据分布，比较该数据分布Pz()和真实数据分布Pdata()之间的JS散度，来判断真实数据与合成数据之间的相似性，得到一个概率值D(x)，该值越大就说明生成图像被判断为真实图像的可能性越大，即网络训练的越好。

二、GAN网络的生成和理解

1、如何生成一张假的图片

         首先给出一个简单的高维的正态分布的噪声向量，如上图所示的D-dimensional noise vector，这个时候我们可以通过仿射变换，也就是xw+b将其映射到一个更高的维度，然后将他重新排列成一个矩形，这样看着更像一张图片，接着进行一些卷积、池化、激活函数处理，最后得到了一个与我们输入图片大小一模一样的噪音矩阵，这就是我们所说的假的图片，这个时候我们如何去训练这个生成器呢？就是通过判别器来得到结果，然后希望增大判别器判别这个结果为真的概率，在这一步我们不会更新判别器的参数，只会更新生成器的参数。