1、Theory behind GAN
极大似然估计可以定义函数的参数
使定义的distribution通过调参与真实的分布越接近越好
从pdata中sample一些东西
计算每个样本的likelihood
计算联合概率为似然函数
通过似然函数或对数似然函数对参数求偏导,找到对应最大值的参数
极大似然估计=极小KL散度
problem:
如果只是GMM,那会有很多限制
把它作为一个general的PG,但很难计算它的likelihood
generator
生成器是个网络,网络定义了一个概率分布函数 p g p_g pg
将一个高斯分布中的若干样本点输入生成器,每个样本点都会生成一个结果,所有的结果集合成一个非常复杂的分布
使 p g 和 p d a t a p_g和p_data pg和pdata之间的分布的divergence越接近越好
problem:
Discriminator
我们虽然不知道它的distributions是什么样的,但是可以从两个分布分别sample出data
将 p g 和 p d a t a p_g和p_{data} p