假钞识别
- 生成器生成图片
- 鉴别器鉴别
- 模型参数更新
- 一开始很容易鉴别
- 后面生成的图像越来越像——即生成非常像的图片
- 更新和训练流程(如下)
- 首先固定Generstor的参数 给它随机的input,生成sample 再从real images里取出sample 送入discriminator进行鉴别和区分,使其正确识别真与假,得到loss,反向求导,更新discriminator权重。
- 第二步,执行generator,检测discriminator是否能区分,得到generator的loss,使其生成的sanple非常接近真实的
- 最后达到以假乱真的图片。使两个模型都非常优秀。
- x~Pdata(x)数据分布服从data的案例 数据来自真实数据集
- 固定G时,使判别器很强大,能够鉴别真的和假的数据
- 固定D时,第一项是常数,通过优化生成器使其生成非常像的图片,使D(G(x))趋近于1
- 实际训练过程中,可以训练多次D 和 多次G (见下图的k)