GAN网络入门（一）

最新推荐文章于 2024-07-23 10:27:25 发布

置顶

THU-弘毅

最新推荐文章于 2024-07-23 10:27:25 发布

阅读量941

点赞数

分类专栏： GAN网络文章标签： GAN

本文链接：https://blog.csdn.net/weixin_43535573/article/details/89035764

版权

本文通过一个形象的假钞与警察的例子引入GAN网络的概念，详细解释了生成模型与判别模型的博弈过程，并给出了数学上的解释。接着，文章介绍了损失函数及其两部分的作用，展示了如何通过训练使得生成数据逐渐接近真实数据。最后，文章展示了一个简单的GAN案例的训练结果，证实了模型的有效性。

摘要由CSDN通过智能技术生成

从一个形象的例子讲起

**
在这里插入图片描述
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

在这里插入图片描述
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