GAN的基本原理理解

最近参加了PaddleGAN的生成对抗网络七日打卡营，感觉收货颇丰。对于刚刚入门的我来说可能还不能将所有的知识消化吸收，但是还是可以从最基本的原理开始入手。我对GAN的基本原理理解如下：

我们有两个网络，G（Generator）和D（Discriminator）。它们的功能分别是：

• G是一个生成图片的网络，它接收一个随机的噪声z，通过这个噪声生成图片，记做G(z)。
• D是一个判别网络，判别一张图片是不是“真实的”。它的输入参数是x，x代表一张图片，输出D（x）代表x为真实图片的概率，概率介于0-1之间，越接近1代表越真实，越接近0代表越可能是假的。

生成对抗网络的损失函数如下：

在训练过程中，生成器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。训练是交替进行的，训练生成网络模块时，生成器希望loss越小越好，在训练过程中生成图片的标签为1；训练判别模块时，判别器希望loss越大越好，在训练过程中生成图片的标签为0。训练生成器的时候会把判别器的权重固定，训练判别器的时候会吧生成器的权重固定。训练生成器的时候不需要损失函数中的第一项。在训练的时候求出梯度后对参数的调整一个是加，一个是减。

最后希望训练的结果就是生成器能生成看起来足够真实的图片。