GAN基础理论

目录

什么是GAN

GAN的问题

WGAN

什么是GAN

GAN全称Generative Adversarial Network

如何解决:

a.从方法论的角度解释

Generator(生成器)和Discriminator(判别器):对抗式学习(博弈论)

Discriminator:判断输入图像是否为真实图像和虚假图像

Generator:生成图像去欺骗判别器

直观感受:当G&D达到平衡时可以获得最佳效果

b.结构角度解释

 特别说明：生成器输入的是随机噪声，输出是真实场景图像

c.从数学公式角度

1.value function价值函数

不同于损失函数，该函数来自强化学习中的概念，强化学习是让智能体在不同的状态环境下，学会选择那个使得奖赏最大的动作

2.:我们需要找到一个D（判别器），使得价值函数V达到最大

    我们希望判别器能够区分出真图和假图，既D(x)->1,D(G(x))->0,整个价值函数会趋于一个最大值

3.:我们需要找到一个G（生成器），使得价值函数V达到最小

   我们希望G生产的图像可以愚弄D，既D(G(x))->1,整个代价函数会趋于负无穷这样一个极小值

6.：x符合真实图像的分布

7.:z符合随机噪声的分布

8.

下面证明，当,该优化问题达到最优解在数据给定

在数据给定，G给定的前提下Pdata(x)与 PG(x)都可以看作是常数，我们可以分别用 a,b来表示他们，这样我们就可以得到如下式子

 由此我们得到最优判别器

将最优判别器代入到原式后

 

JSD指JS散度，用于评估两个概率分布之间的相似程度，值为0时表示两个概率分布完全相同 

 训练方式

GAN的问题

难以训练

生成图像单一,质量差（模式崩溃）

模型训练不稳定