昇思25天学习打卡营第12天|GAN图像生成

感觉顺序要调整下，先GAN再DCGAN再Diffusion

生成式对抗网络（GAN）是一种前沿的无监督学习模型，由Goodfellow在2014年提出。它包含生成器和判别器两个对抗组件：生成器负责创造逼真的假图像，判别器则判断图像真假。两者相互竞争，推动对方性能提升。训练中，生成器不断学习生成更高质量的假图像以欺骗判别器，而判别器则学习更准确地识别真假图像。理想状态下，当生成图像与真实图像分布一致时，判别器的判断准确率将达到随机水平。GAN的目标是通过这种对抗过程，使生成模型输出的数据分布接近真实数据分布，实现高质量的图像生成。尽管GAN在图像生成方面取得了巨大成功，但其训练过程复杂且存在稳定性挑战。

GAN的训练过程
在训练过程中，生成器和判别器通过以下步骤进行博弈：

初始阶段：训练初期，生成器和判别器的表现都较差，生成器生成的图像与真实数据差距较大。

判别器优化：判别器通过计算损失函数，调整参数，使得真实样本的概率尽可能接近1，生成样本的概率尽可能接近0。

生成器优化：生成器根据判别器的反馈，优化其输出，使得生成的图像更贴近真实数据分布。

达到平衡：当生成器生成的图像分布与真实图像分布完全一致时，判别器将无法区分两者，此时其输出概率为0.5。