【对抗网络】Gan的基本公式详解

        本文将对Gan的基本公式进行一个详细的解释，此后的多种对抗网络的形式都是基于本文的基本公式进行一定的演变而来，所以清楚地了解Gan的基本公式，对以后的Gan网络学习，意义深远而重大。

Gan网络基本原理图:

计算损失公式展示：

        首先我们要知道Gan网络主要由两大网络组成，G(Generator)和D(Discriminator)，分别为生成器和判别器。式中x表示真实图片， z表示输入G网络的噪声，G(z)表示G网络生成的图片，D(*)表示D网络判断图片是否真实的概率。

此公式可以看成两部分，和

首先让我们看看第一部分：

        其中表示期望x从Pdata中获取，x表示真实的数据（图片），Pdata表示真实数据的分布。所以的涵义就是：判别器判别出真实数据的概率。我们的优化目标是希望这个概率越大越好。也就是说，对于服从Pdata分布的照片x，判别器应该给出预测结果D(x)=1。

然后让我们看看第二部分:

        其中表示期望z从Pz(z)分布中获取，z表示随机的噪声，Pz(z)表示生成随机噪声的分布。然后就要考虑站在生成器和判别器的不同角度而言了:

        对于判别器D而言, 如果其输入的是数据,也就是D(G(z)),判别器的目标是最小化D(G(z)), 希望它被判定为0, 也就是希望越大越好。

        对于生成器G而言, 它希望生成的数据被判别器识别为真, 也就是希望D(G(z))=1, 也就是希望越小越好。

        总结: 从中我们可以看到 判别器D 和 生成器G对优化目标是相反的,这就体现在公式中的: 。对于 生成器G, 其训练目标还有最小化从而达到最小化的目标。