GAN的训练生成器流程以及噪音的选择

这篇文章是用通俗的语言描述下GAN训练的过程
原文链接：https://arxiv.org/abs/1406.2661

1.随机化噪音。
2.根据噪音产生样本
3.判别器判断样本是真是假
4.计算判别器的loss
5.反向传播至判别器和生成器获得梯度
6.使用更新的梯度来更新生成器

在这个过程中判别器没有改变，因为如果是判别器和生成器同时改变的话会使训练过程更加复杂

To learn the generator’s distribution pg over data x, we define a
prior on input noise variable pz(z), then represent a mapping to data
space as G(z;θg), where G is a differentiable function represented by
a multilayer perceptron with parameters θg.

随机化噪音的原文

Sample minibatch of m noise samples [z(1),…,z(m)] from noise prior pg(z)*

原文中是使用pz(z）代表噪音，那如何选择噪音呢
在DFGAN中使用的为随机噪音，当然也可以使用uniform正态分布与高斯分布当做噪音的，这也是一种初始化的选择，你可以做多种尝试，然后查看哪种噪音初始化更好

参考链接
https://developers.google.com/machine-learning/gan/generator
https://stats.stackexchange.com/questions/278623/how-does-a-generator-gan-create-samples-similar-to-the-data-space-from-a-vecto