生成对抗网络gan原理_入门级介绍生成对抗网络（GAN）

在过去的几十年中，由于强大的处理器和大量数据，深度学习算法已经走了很长一段路。区分模型在所有AI任务中都表现出色。另一方面，在对抗型生成网络出现之前，生成型模型无法留下深刻的印象。在2014年，伊恩·古德费洛(Ian Goodfellow)发表了一篇名为《生成对抗网络》的论文，从那以后就再也没有回头路了。Facebook的AI总监Yann LeCun称GAN为“过去10年来ML最有趣的想法”。

GAN徽标

判别式与生成式算法

判别算法学习输入数据的特征，并尝试从中预测出类别概率。给定图像，模型将预测它是否是狗。在数学上，标签称为y，而要素称为x。我们需要基本找出p(y | x)，给定x，即y的概率。

判别算法基本上尝试将特征映射到标签，这意味着它可以预测标签。与此相反，生成算法尝试将标签映射到特征，这意味着在给定标签的情况下，它将尝试预测特征。

给定图像是狗的，它将找出图像可以具有的特征。因此，判别算法试图找到p(x | y)。

什么是GAN？

生成对抗网络主要还是以生成网络为主，善于合成与真实数据非常相似的新数据。它由两个神经网络组成：一个是生成器，另一个是判别器。生成器合成新数据，判别器找出数据是伪造的还是真实的。

生成器以随机分布(噪声)初始化，并从中创建合成数据。该数据与真实数据流一起馈入判别器。判别器比较两个图像并给出判断。

GAN的好坏取决于您的用途。网络可以轻松地学习并模拟任何分布。它们可用于各种领域，包括视频，音频，图像。它们可用于图像到图像的翻译和视频合成。Deepfake是GAN中的一个用例，可以用作开发工具，我们经常看到的AI换脸大部分用的都是Deepfake

生成器的目的是创建一种合成数据，以使判别器无法弄清楚它是伪造的。判别器的目标是将来自生成器的数据分类为伪造的。在此过程中，双方都更加擅长于自己在做什么。

总结一下，这是其遵循的步骤

• 生成器根据噪声创建合成数据。
• 来自生成器的生成数据与真实数据一起馈入判别器。
• 判别器检查真实和伪图像并返回概率。

GAN架构

利用GAN生成的图像

GAN的训练过程

现在，训练GAN涉及训练生成器和判别器。当网络开始训练时，生成器会创建虚假数据，并且判别器能够轻松地检测到它是虚假的。

GAN的训练过程

随着训练的继续，生成器将更好地生成类似于真实数据的数据，以欺骗判别器。现在，如果您的训练进展顺利，则生成器将能够生成看起来与真实数据相似的数据，而判别器将无法确定这一点。因此，您可以看到GAN网络如何合成与真实数据非常相似的数据。