Gan（Generative Adversarial Net）学习笔记（1）--- Gan的基础理论

最新推荐文章于 2022-02-11 13:03:15 发布

原创

最新推荐文章于 2022-02-11 13:03:15 发布 · 1.2k 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#Gan #生成式对抗网络 #深度学习 #Ian Goodfellow #OpenAI

本文介绍了Gan的基本原理，Gan是生成器和判别器的博弈过程，生成器试图生成逼真的图像，而判别器旨在区分真实和虚假图像。Gan的特点包括使用潜在代码、无需马尔可夫链，被认为能生成高质量样本。同时，文章讨论了生成模型的作用，如密度估计和样本生成，并指出Gan在收敛、连续值决策等问题上面临的挑战。

注：参考自知乎用户何之源的《GAN学习指南：从原理入门到制作生成Demo》以及

‘机器之心’的《独家 | GAN之父NIPS 2016演讲现场直击：全方位解读生成对抗网络的原理及未来》。

--------------------------------------------------------------------------------------------------------

一、Gan原理介绍：

以生成图片为例，假设有两个网络：G(Generator)和D(Discriminator)。功能分别为：

G是生成器，用来生成图片，接收一个随机的噪声z，通过z生成图片，记作G(z)。

D是判别器，用来判断一张图片是不是“真实的”。输入x(代表一张图片)，输出D(x)，表示x为真实图片的概率。

在训练过程中，G的目标是尽可能生成一张图片去欺骗D，使D将其判别为真实的；D的目标就是尽量把G生成的图片和真实的图片分别开。这样，就生成了一个“对抗过程”。