GAN系列之（一）------GAN---Generative Adversarial Networks

论文：Generative Adversarial Networks
https://arxiv.org/abs/1406.2661

1.GAN的思想

G网络相当于一个学生不断的进行学习，D网络相当于一个老师不断地对学生进行打分和指导，如此一个不断学习不断评估的过程。
如上图所示，
第一次：G学习画动漫人物图像，第一次学习只学到一些简单地轮廓 V1，这个时候D对G的学习进行评估打分，并告诉G动漫人物头像是大眼睛的彩色图片；
第二次：G得到D的指导（他学习的假的图像和真实图像的差距）：动漫人物头像是大眼睛的彩色图片
第二次学习时注重了“大眼睛和彩色”这个差距，然后得到第二例的结果V2，这个时候D对G学习的结果进行评估指导，并告诉G这个图像应该是有嘴巴的图片；
第三次：G得到D的指导（他学习的假的图像和真实图像的差距）：图像应该是有嘴巴的图片
第二次学习时注重了“图像应该是有嘴巴的图片”这个差距，然后得到第三列的结果V3，这个时候D对G学习的结果进行评估指导，并告诉G这个图像…
…

经过双方的交流使得G学习后的图片和原始图像极为相似。

2.GAN算法

1. 首先第一步，固定G更新D。这一步主要是让判别器D有一个很好的判别结果。也就是说，给定一张图片，通过G后，如果是和真实图片极为相似，则给定一个很高的分数，这个分数约等于1（与1极为接近）；如果该图片与真实图片不相似，相差很多，则给定一个很小的分数，这个分数约等于0（与0极为接近）。
   
   如上图所示：这一步以真实图片和G生成的假的图片作为输入，D网络学习的过程中，不断地告诉自己，真实图片是1，假的图片是0，就是最大化真实图片与G生成的假的图片之间的差距。
2. 然后第二步：固定D，更新G。这一步是说，前面的D已经训练的很好了，能够很好的判别图像的真伪了。这个时候训练G，是的G学习的结果作为输入，输入到D时，D能够很好的评估出这个图像是假的，给的分数很低，并反馈给G，这个假的图片和真实图片之间的差距，是的G通过不断地学习，学习后的图像和真实图像极为相似。
   
   如上图所示，当开始时，G学习后的图像，输入到D中，得到的分数为0.13，这是一个很接近 0 的值，也就是说这个图片太假了，然后D反馈给G真假图片的差距，是的G学习这个差距，经过不断地学习，使得G学习后的图像，输入到D中，得到一个教高的分数（接近1），也就是说，是的G学习到的图片和真实图片极为相似。

损失函数

1. 首先学习D的过程。
   在真的样本数据集中取m个真实样本（m相当于一个batch size）{x1,x2,…,xm}
   在随机噪声中随机取m个噪声样本（m相当于一个batch size）{z1,z2,…zm}
   将随机噪声样本作为输入，输入到G网络中得到G(zi)=x~i
   通过不断的学习更新使得V~取最大
   
   要使得V取最大，也就是两个加和的部分都取最大。
   首先前半部分：1/m取最大，则log取最大，也就是D(xi)取最大，这里也就是说真实样本的评价分数越高（接近1）
   后半部分：1/m最大，则log取最大，也就是D（x~i）取最小，这里也就是说生成的假样本的评价分数越低（接近于0）
   这个式子其实很好的解释了D训练的最后结果，就是让判别真假的能力达到最高。

2. 学习G的过程
   在随机噪声中随机取m个噪声样本（m相当于一个batch size）{z1,z2,…zm}
   将随机噪声样本作为输入，输入到G网络中得到G(zi)=x~i；然后G(zi)作为D网络的输入，进过D网络得到输出D（G(zi)），然后通过不断地学习D网络反馈给的真假样本之间的差距，使得最终G生成的图像与真实图像相似，也就是说D给的评价分数接近于1
   
   这里可以看出，要使得最后的结果最大，则D（G(zi)）最大，也就是G(zi)接近于真实图片。

这篇博客主要参考的是李宏毅的讲解视频。大家不清楚的可以观看，我觉得讲的蛮详细的。