gan判别器的loss接近零_通俗理解GAN（一）：把GAN给你讲得明明白白

0 引子

GAN的风暴席卷了整个深度学习圈子，任何任务似乎套上GAN的壳子，立马就变得高大上了起来。那么，GAN究竟是什么呢？

GAN的主要应用目标：

生成式任务（生成、重建、超分辨率、风格迁移、补全、上采样等）

GAN的核心思想：生成器G和判别器D的一代代博弈

生成器：生成网络，通过输入生成图像

判别器：二分类网络，将生成器生成图像作为负样本，真实图像作为正样本

learn 判别器D：

给定G，通过G生成图像产生负样本，并结合真实图像作为正样本来训练D

learn 生成器G：

给定D，以使得D对G生成图像的评分尽可能接近正样本作为目标来训练G

G和D的训练过程交替进行，这个对抗的过程使得G生成的图像越来越逼真，D“打假”的能力也越来越强。

觉得不是很好理解嘛？别着急，慢慢往下看！

---

1 从极大似然估计说起

补充： 分布的表示：

表示该分布中采样到样本x的概率，试想如果我们知道该分布中每个样本的采样概率，那么这个分布也就可以以这种形式表示出来了。 确定分布的表示：

其中

表示该分布的参数，该分布的具体形式确定了（比如

可以是高斯分布，

就是高斯分布的均值

和方差

先来介绍一下极大似然估计：

1.1 极大似然估计要解决的问题

• 给定一个数据分布
  
• 给定一个由参数
  定义的数据分布
  
• 我们希望求得参数
  使得
  尽可能接近
  

可以理解成：

是某一具体的分布（比如简单的高斯分布），而

是未知的（或者及其复杂，我们很难找到一个方式表示它），我们希望通过

极大似然估计的方法来确定

，让

能够大体表达

。

1.2 极大似然估计的解决方案

1. 从
   采样m个样本
   
2. 计算采样样本的似然函数
   
3. 计算使得似然函数
   最大的参数
   ：
   

这里再啰嗦一下 极大似然估计为什么要这么做：

可以理解成是非常复杂的分布，不可能用某个数学表达精确表示，因此我们只能通过抽象，使用一个具体的分布模型

近似

所以，求

的参数

的策略就变成了：

我们认为来自

的样本

在

分布中出现的概率越高，也就是

越大，

和

就越接近。

因此，我们期待的

就是使得

最大的

.

即：

咱们继续推导：

关于最后一步：

因为我们求取的是