GAN生成对抗网络

看白话深度学习与Tensorflow笔记

GAN是14年提出的，其目的是模拟一种数据概率分布的生成器，使这种概率分布与某种观测数据的概率统计分布尽可能接近。该模型包含G（generative model)模型和D模型（Discriminative model）,即生成模型和判别模型，D模型较为常见，如CIFAR-10项目中的判断模型，来提取特征判断图片的分类标签。举例说明更直观，G模型的目的是为了造假得到以假乱真的效果，D模型是为了打假，识别出真假。评价函数如下

D（x）、G(z)、D(G(z))分别表示真实图片被判为真实的概率、z噪声输入到G网络并输出一个图片的构造过程、G网络生成的

图片被识别为真实图片的概率。

看下GAN模型

训练时，D和G网络交替进行，D是为了增加正确判断的概率D（x),G 是增大1-D（G（z）)。实际上，Pdata（x）和Pz(z)吻合时有最优解。

GAN的问题：比较重要的是不收敛问题（non-convergence）。GAN网络目的是做个D和G网络的纳什均衡，但只有保证评价函数是凹函数的情况才能保证纳什均衡。