ML-生成式对抗网络GAN简介

生成式对抗网络(GAN，Generative Adversarial Networks)是一种深度学习模型，模型通过生成模型(Generative Model)和判别模型(Discriminative Model)的互相博弈学习产生相当好的输出。

判别模型 :
输入变量，根据某种模型预测，例如，给定一张图，判断其中动物是猫是狗；
生成模型 :
给定某种隐含信息，随机产生观测数据，例如，给定一系列猫的图片，产生一张不在原数据集中的新的猫咪图片。

对于判别模型，损失函数是容易定义的，因为输出的目标相对简单；但对于生成模型，损失函数的定义就不是那么容易，因为其往往是难以数学公理化定义的范式。所以不妨把生成模型的回馈部分，交给判别模型处理。

GAN的基本思想 :
这里以生成图片为例进行说明。假设我们有两个网络，G(Generator)和D(Discriminator) :
1.G是一个生成网络，它接收一个随机的噪声z，通过这个噪声生成图片，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"，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100%是真实的图片，而输出为0，就代表不可能是真实的图片；
3.在训练过程中，生成网络G的目标就是尽量生成真实的图片去欺骗判别网络D。而D的目标就是尽量把G生成的图片和真实的图片分别开来。这样，G和D构成了一个动态的"博弈过程"；
4.最后博弈的结果是什么？在最理想的状态下，G可以生成足以"以假乱真"的图片G(z)。对于D来说，它难以判定G生成的图片究竟是不是真实的，因此D(G(z)) = 0.5；
5.这样我们的目的就达成了 : 得到了一个生成式的模型G，它可以用来生成图片。

GAN的应用 :
1.图像生成；
2.数据增强 : 对于小数据集，生成一些数据，但新生成的数据如何label呢？一般有三种做法，一是添加新类，二是分到可信度最高的一类，三是等可能性分类。