Gan 训练目标
min G max D V ( D , G ) = E x ∼ p d a t a log [ D ( x ) ] + E x ∼ p z log [ 1 − D ( G ( x ) ) ] \min_G \max_DV(D,G)= E_{x\sim p_{data}}{ \log[D(x)]+E_{x\sim p_{z}} \log[1-D(G(x))]} GminDmaxV(D,G)=Ex∼pdatalog[D(x)]+Ex∼pzlog[1−D(G(x))]
该公式最大化鉴别器D和最小化生成器G, P d a t a P_{data} Pdata是样本中采样的真实图片,D(x)是真实图片的概率; P z P_z Pz指生成一份随机噪声z;G(z)是噪声z通过生成器生成的图片,D(G(z))是这个生成图片是真实图片的概率。
模型训练过程:
step1:固定G,优化D,最大化D → m a x V ( D , G ) \to maxV(D,G) →maxV(D,G)
max D = E x ∼ p d a t a log [ D ( x ) ] + E x ∼ p z log [ 1 − D ( G ( x ) ) ] \max_D=E_{x\sim p_{data}}{ \log[D(x)]+E_{x\sim p_{z}} \log[1-D(G(x))]} Dmax=Ex∼pdatalog[D(x)]+Ex∼pzlog[1−D(G(x))]
step2:固定D,优化G,最小化G → m i n V ( D , G ) \to minV(D,G) →minV(D,G)
min
G
=
E
x
∼
p
z
log
[
1
−
D
(
G
(
x
)
)
]
\min_G=E_{x\sim p_{z}} \log[1-D(G(x))]
Gmin=Ex∼pzlog[1−D(G(x))]
step2中,G通过最小生成误差来欺骗鉴别器,使
D
(
G
(
x
)
)
D(G(x))
D(G(x))的输出趋近与1,最后的
min
D
\min_D
minD输出最小。