人工智能-深度学习-生成模型:GAN(Generative Adversarial Network对抗生成网络)【Generator(RNN/CNN)+Discriminator(CNN)】
一、GAN概述
生成对抗网络(英语:Generative Adversarial Network,简称GAN)是生成模型的一种,生成模型就是用机器学习去生成我们想要的数据,正规的说法是,获取训练样本并训练一个模型,该模型能按照我们定义的目标数据分布去生成数据。
- 生成对抗网络(英语:Generative Adversarial Network,简称GAN)是通过让两个神经网络(【生成器】与【判别器】)相互博弈的方式进行学习。
- 生成对抗网络由一个【生成器】与一个【判别器】组成。
- 【生成器】从潜在空间(latent space)中随机取样作为输入,其输出结果需要尽量模仿训练集中的真实样本。
- 【判别器】的输入则为真实样本或生成网络的输出,其目的是将【生成器】的输出从真实样本中尽可能分辨出来。而【生成器】则要尽可能地欺骗【判别器】。
- 两个网络相互对抗、不断调整参数,最终目的是使【判别器】无法判断【生成器】的输出结果是否真实。
1、GAN基本思想
GAN 的核心思想源于博弈论的纳什均衡。
- 设定参与游戏的双方分别为一个生成器(Generator)和一个判别器(Discriminator),
- 生成器捕捉真实数据样本的潜在分布, 并生成新的数据样本;
- 判别器是一个二分类器, 判别输入是真实数据还是生成的样本。
- 为了取得游戏胜利, 这两个游戏参与者需要不断优