GAN模型总结

大家好，欢迎来到IT知识分享网。

GAN模型

一、什么是GAN模型

生成对抗网络（Generative Adversarial Network）由一个生成网络与一个判别网络组成。生成网络从潜在空间（latent space）中随机采样作为输入，其输出结果需要尽量模仿训练集中的真实样本。判别网络的输入则为真实样本或生成网络的输出，其目的是将生成网络的输出从真实样本中尽可能分辨出来。而生成网络则要尽可能地欺骗判别网络。两个网络相互对抗、不断调整参数，最终目的是使判别网络无法判断生成网络的输出结果是否真实。 ——维基百科

二、GAN模型的具体内容

（一）、模型结构

（二）、对抗网络

举个简单的例子，对抗网络就类似一场博弈，从最初始的数据库中映射出一个由多层感知器表示的可微函数G(z;θg)，此后再引入一个与之对抗的多层感知器D(z;θg)，两者之间展开一场“二人博弈”，分别达到最优化的目的。
假设D,G都是小的多层感知机，每层总共有稀薄的数个隐含单元。G的输入是一个噪音分布z∼uniform(0,1)中的单个样例。我们想使用G来将点z1,z2,…zM映射为x1,x2,…xM，这样映射的点xi=G(zi)在pdata(X)密集的地方会密集聚集。因此，在G中输入z将生成伪数据x′。
同时，判别器D，以x为输入，然后输出该输入属于pdata的可能性。令D1和D2为D的副本（它们共享参数，那么D1(x)=D2(x)）。D1的输入是从合法的数据分布x∼pdata中得到的单个样例，所以当优化判别器时我们想使D1(x)最大化。D2以x′（G生成的伪数据）为输入，所以当优化D时，我们想使D2(x)最小化。
最终，优化函数为MAX_D1MIN_D2{log(D1(x))+log(1−D2(G(z)))}

上图为具体的训练过程，蓝色虚线代表着分类器D的结果，它分辨的是由生成器G（绿色实现）生成的数据p_x（黑色虚线），最终，G与D会达到一个平衡阶段（图中(d)的阶段）、

三、缺点与改进

Written by lreaderl