【深度学习】生成对抗网络（GAN）的tensorflow实现

GAN（ Generative Adversarial Nets）是Goodfellow I. J.大神在2014年提出的（参考资料【1】），在近几年成为人工智能领域研究的热点。本博文讲解最简单的生成对抗网络GAN原理并实现一个简单化GAN的tensorflow代码，可以作为大家入门GAN的参考资料。

一、GAN原理

原论文中给出这样一个例子：GAN由生成器（$G$）和判别器（$D$）构成。生成器就像是一个假钞制造团伙，它试图制造出完美的假钞；判别器就像是警察，试图正确分辨出所有的真钞和假钞。GAN模型就是在这种博弈的过程中训练出来的，如果最终生成器制造的假钞判别器都无法正确辨别出真假，此时的生成器就达到最优性能；如果任何生成器制造的假钞，判别器都可以准确判别，判别器就达到最优性能。
GAN的网络模型如下图所示：

假设真实训练样本为 X = { x 1 , x 2 , ⋯   , x m } X = \left\{ { {x_1},{x_2}, \cdots ,{x_m}} \right\} X={ x1​,x2​,⋯,xm​}
随机信号为 Z = { z 1 , z 2 , ⋯   , z n } Z = \left\{ { {z_1},{z_2}, \cdots ,{z_n}} \right\} Z={ z1​,z2​,⋯,zn​}
则GAN的最优化问题为：

min ⁡ G max ⁡ D { E x ∼ X [ log ⁡ D ( x ) ] + E z ∼ Z [ log ⁡ ( 1 − D ( G ( z ) ) ) ] } \mathop {\min }\limits_G \mathop {\max }\limits_D \left\{ { { {\rm E}_{x \sim X}}\left[ {\log D\left( x \right)} \right] + { {\rm E}_{z \sim Z}}\left[ {\log \left( {1 - D\left( {G\left( z \right)} \right)} \right)} \right]} \right\} Gmin​Dmax​{ Ex∼X​[logD(x)]+Ez∼Z​[log(1−D(G(z)))]}

在判别器$D$中，当输入数据为真实的训练数据，对应标签为