生成对抗网络 GAN

生成对抗网络(GAN, Generative Adversarial Networks)是一种无监督学习方法，是一种通过用对抗网络来训练生成模型的架构。它由两个网络组成：生成网络G和判别网络D，通过这二个互相博弈学习产生相当好的输出，进而使G学到数据分布，使D能够辨别出真实数据。在训练过程中，生成网络G通过接受一个随机的噪声来尽量模仿、学习训练集中的真实数据去“欺骗”D，而D则尽可能的分辨自己所得到的一个输入数据，究竟是来自于真实的数据分布还是来自于一个生成模型，从而形成两个网络的博弈过程。理想的情况下，博弈的结果会得到一个可以“以假乱真”的生成模型。

 

GAN的基本原理其实非常简单，这里以生成图片为例进行说明。生成网络G和判别网络D它们的功能分别是：

• G是一个生成式网络，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，如果为1，就代表100%是真实的图片，而输出为0，就代表不可能是真实的图片。

在训练过程中，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。这样，G和D构成了一个动态的“博弈过程”。其结果是一个可以生成逼真图像的生成器，以及一个训练有素的识别器，可以精确地识别和分类这类内容。