生成式对抗网络 GAN

GAN的基本原理

生成对抗网络（GAN）由2个重要的部分构成：

• 生成器(Generator)：通过机器生成数据，目的是“骗过”判别器。
• 判别器(Discriminator)：判断数据是真实的还是生成的，目的是找出生成器做的“假数据”。 原始的GAN 理论中，并不要求 G 和 D 都是神经网络，只需要是能拟合相应生成和判别的模型即可。在实用中一般均使用深度神经网络作为 G 和 D 。

一般来说，作为生成式模型，我们的目的是获得一个性能强悍的生成器。

GAN的训练过程

• 第一阶段：固定判别器，训练生成器

  刚开始训练时，我们使用一个初始的效果还算可以的判别器，让一个生成器（记作G）不断生成“假数据”，然后给这个判别器（记作D）去判断。

  显然，这个时候G的性能还很弱，所以很容易被D识别。随着不断的训练，G性能不断提升，最终可以成功误导D。这个时候，一般来说，D基本判断是否为假数据的概率为50%

• 第二阶段：固定生成器，训练判别器

  第一阶段结束后，继续训练G就没有意义，因为我们的目的是提升G的性能。现在我们固定G，然后开始训练D。同样的，通过不断训练D，D再次能够准确的判断出所有的“假数据”。这个时候，G已经无法骗过D，G需要继续训练。

• 循环阶段一和阶段二

  于是通过不断的循环，G和D的能力都越来越强。最终我们得到了一个效果非常好的G，我们就可以用它来生成我们想要的数据。

GAN的数学推导