**
从一个形象的例子讲起
**
在上图中,坏人能把普通的一张白纸制成假钞,警察可以分辨出假钞和真钞。在一轮一轮的较量中,坏人制假钞的水平不断提高,而警察面对越来越难以辨认的假钞也不得不提高自己的辨别能力。
套用GAN网络相关术语,我们可以这样来讲这个故事:生成模型(Generative Model,坏人)可以将一个输入噪音(白纸)生成和真实数据差不多的数据(假钞),判别模型(Discriminative Model,警察)能够判断出真实数据(真钱)和类真实数据(假钞)。在一轮又一轮的博弈中,生成模型(Generative Model,坏人)能够输出非常接近真实数据的数据。
GAN网络的目标是使得生成的数据和真实数据更接近。为了达到这个目标,一方面,我们要求G(x)(生成模型网络)能够学习到一组很好的模型参数,使得D(x)(判别模型网络)判别不出来真实数据和类真实数据的区别,另一方面,我们要求D(x)(判别模型网络)的判别能力很强,能够完成对数据的真实性做出很好的二分类任务。
数学解释
如上图所示,x代表真实数据,z代表噪音,G(z)代表一个输入噪音通过生成网络后的输出。一方面,我们希望判别网络能够准确判断出数据的真实性,即D(x)尽可能接近1,D(G(z))尽可能接近于0;另一方面,我们希望生成网络产生的数据非常接近真实数据,即D(G(z))尽可能接近于1。
损失函数