生成对抗网络 (Generative Adversarial Networks, GAN) 详解与实现

0. 前言

生成对抗网络 (Generative Adversarial Networks, GAN) 是一种由两个相互竞争的神经网络组成的深度学习模型，它由一个生成网络和一个判别网络组成，通过彼此之间的博弈来提高生成网络的性能。生成对抗网络使用神经网络生成与原始图像集非常相似的新图像，它在图像生成中应用广泛，且 GAN 的相关研究正在迅速发展，以生成与真实图像难以区分的逼真图像。在本节中，我们将学习 GAN 网络的原理并使用 Keras 实现 GAN。

1. 生成对抗网络

我们经常使用艺术伪造者和艺术鉴别者的类比来解释生成对抗网络 (Generative Adversarial Networks, GAN) ，艺术伪造者试图制造出可以欺骗艺术鉴别者赝品，鉴别者确定艺术品的真实性，并防止赝品流入市场。鉴别者通过评估真实艺术品和伪造品学习，伪造者对艺术品进行模仿，并且只能从鉴别者的反馈中学习。
而生成对抗网络包含两个网络：生成网络( Generator，也称生成器)和判别网络( discriminator，也称判别器)。在 GAN 网络训练过程中，需要有一个合理的图像样本数据集，生成网络从图像样本中学习图像表示，然后生成与图像样本相似的图像。判别网络接收(由生成网络)生成的图像和原始图像样本作为输入，并将图像分类为原始(真实)图像或生成(