GAN对抗生成网络学习笔记（一）GAN简述

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

本文主要记录了学习GAN的学习笔记，如有错误还请不吝赐教！

---

提示：以下是本篇文章正文内容，下面案例可供参考
本文主要参考了大佬的文章，出处见GAN学习

一、GAN网络概要

GAN网络全称generative adversarial network，翻译为生成式对抗网络，是一种机器学习方法。由Ian J. Goodfello 等人于2014年在Generative Adversarial Nets 论文中提出。其中在GAN网络中，有两个模型——生成模型（ generative model G），判别模型（discriminative model D）。

我们以生成图片为例子，本教程的最终的目标是实现使用GAN网络生成动漫头像。
1.G就是一个生成图片的网络，它接受一个随机的噪声z，然后通过这个噪声生成图片，生成的数据记做G(z)。
2.D是一个判别网络，判别一张图片是不是“真实的”（是否是捏造的）。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，就代表绝逼是真实的图片，而输出为0，就代表不可能是真实的图片。

在训练的过程中，生成网络G的目标就是生成假的图片去骗过判别网络D，而判别网络D的目标就是能够分辨出某一张图片是不是由G生成的。这就变成了一个博弈的过程。同时G和D的能力也在训练的过程中逐渐提高。在最理想的情况下， 则就是D(G(z))=0.5。（也就是说判别器无法判断图像的真实性，而只能猜测，故而是0.5）

一个比较形象的说法：一个生成器（“艺术家”）学习创造看起来真实的图像，而判别器（“艺术评论家”）学习区分真假图像。训练过程中，生成器在生成逼真图像方面逐渐变强，而判别器在辨别这些图像的能力上逐渐变强。当判别器不再能够区分真实图片和伪造图片时，训练过程达到平衡。

因此，在训练的过程中，我们会对判别器和生成器进行学习。

二、判别器的学习

首先我们初始化生成器 G，然后输入一组随机向量(Randomly sample a vactor)，生成器会根据输入的向量产生一些图片，我们把这些图片标注成 0（假图片）。同时把已有训练集中真实的图片标注成 1（真图片）。两者同时丢进判别器 D 中，以此来训练判别器 D。使得当输入是真图片的时候，判别器给高分（分数接近于1），而输入假图片的时候，判别器给低分（接近于 0 ）。

我们有标记为1的真实图片和标注为0的假的图片，这个时候，我们就可以很轻易的对D进行训练（有了x和y）。

三、生成器的学习

针对于D我们有标记为1和0的数据，因此我们可以对其进行训练。那么对于生成器，有x（也就是随机噪声z），那么y在哪里呢？

对于生成器，我们的目的是使得其能够生成真实的图片，换句话说，我们是希望生成的图片能够骗过D。那么如何通过判别器来产生所谓的y？？我们可以这样做：

我们通过随机向量（噪声数据）经由生成网络产生一组假图片，我们将这些假图片都标记为 1（也就是说，人为的把假的图片当作真实的），然后将这些假图片输入到判别器中，判别器在对这些图片进行判别的时候，会发现这些图片是假的图片，然后给出低分，这样就产生了误差（因为标记的为1，但是判别器给了低分）。

因此，在训练生成器的时候，这个网络是串接的。而在训练生成器的时候，一个很重要的操作就是保持判别器网络的参数不发生改变，只是把误差一直方向传播，传到生成网络那块后更新生成网络的参数，这样就完成了生成网络的训练了。

在完成生成器的训练之后，我们又可以产生新的假的图片去对判别器进行训练。我们把这个过程称作为单独交替训练。同时要定义一个迭代次数，交替迭代到一定次数后停止即可。