【GAN】GAN基础入门与DCGAN

Basic Idea of GAN

以图片生成为例，假设有两个网络，G（Generator）和D（Discriminator）：

• G是一个生成图片的网络，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)。
• 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。

训练目标

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。

训练的最理想结果就是G生成的图片可以以假乱真，骗过D，用文章中的解释如下：

黑色虚线表示真实的样本的分布情况，蓝色虚线表示判别器判别概率的分布情况，绿色实线表示生成样本的分布。$Z$表示噪声，$Z$到$x$表示通过生成器之后的分布的映射情况（G的功劳）。上图包含两个信息：（1）生成器G越来越拟合真实图片：绿色实线越来越和黑色虚线重合、随即噪音$z$经过G映射后的$x$越来越符合真实分布。（2）判别器D逐渐分辨不出真实和生成图片的区别，即判别概率趋于0.5，蓝色虚线刚开始还有区分，经过训练逐渐没有区分。

训练方法

GAN的优化目标：
$$\underset{G}{\min }\underset{D}{\max }V(D,G)=$$