GAN网络及其变种

1. GAN

      GAN 全称为Generative Adversarial Network，即生成对抗网络，在2014年由Ian J. Goodfellow等人在文章《Generative Adversarial Nets》提出。
      GAN网络主要由生成网络$G$和判别网络$D$两个网络组成。其中生成网络$G$的输入为随机噪声$z$，输出为图片$G(z)$；判别网络$D$的输入为图片$x$（有可能是真实也有可能不真实），输出为判别为真实图片的概率$D(x)$，判断真实$D(x)=1$，判断不真实$D(x)=0$。

      GAN网络在实际训练过程中，生成网络$G$的目标就是尽量生成真实的图片去欺骗判别网络$D$；而$D$的目标就是尽量把$G$生成的图片和真实的图片分别开来。通俗来讲，GAN的生成器$G$的目标是生成一张真实的图像（生成出来的假的图像），判别器$D$的目标是判别一张图像是生成出来的还是真实存在的。

      因此，$G$和$D$构成了一个动态的“博弈过程”，在实际训练步骤中，主要采用交替训练的方法：
1）固定判别器$D$，训练生成器$G$；2）固定生成器$G$，训练判别器$D$；3）循环步骤 1）2）

      在GAN网络中，其loss函数至关重要:

      GAN网络的loss函数主要由两部分组成。其中$D(x)$表示判别网络判断真实图片是否真实的概率，判别网络$D$希望应当越大越好，代表判别真实图片更准确，此时$V(D,G)$变大，从而有$max$_$D$；$D(G(z))$表示判别网络$D$判断生成网络$G$生成的图片是否为真实的概率，生成网络$G$希望生成的图片尽可能真实，即$D(G(z))$尽可能大，此时$V(D,G)$变小，从而有$min$_$G$。

2. DCGAN

3. WGAN

4. CycleGAN

5. Pix2Pix