机器学习07：生成式对抗网络(GAN)的基本了解①

摘要

        本周系统解析生成式对抗网络（GAN）的核心机制：通过生成器（Generator）将随机噪声z映射为高维数据分布（如动画人脸），结合鉴别器（Discriminator）的对抗性训练实现动态优化。关键设计包括：引入随机变量z解决单一输出模糊问题（如小精灵视频预测中的角色分裂）；采用分步迭代策略（固定G训练D→固定D训练G）模拟"物竞天择"进化模式；实验表明，经数万次训练后生成质量显著提升（100次迭代呈噪声→5000次涌现五官→50000次生成逼真人脸）。扩展技术StyleGAN与Progressive GAN进一步优化分辨率和多样性，为无监督生成任务提供通用范式。

Abstract

        This week deconstructs the core mechanism of Generative Adversarial Networks (GAN): a generator maps random noise z to high-dimensional data distributions (e.g., anime faces), while adversarial training with a discriminator enables dynamic optimization. Key designs include: introducing random variable z to resolve ambiguous outputs (e.g., character splitting in Pac-Man prediction); implementing stepwise iteration (freeze G to train D → freeze D to train G) simulating evolutionary competition. Experiments show significant quality improvement after tens of thousands of iterations (noise at 100 iters → facial features at 5000 iters → photorealistic faces at 50k iters). Techniques like StyleGAN and Progressive GAN further enhance resolution and diversity, establishing a universal paradigm for unsupervised generation.

一．网络充当生成器

        前面学习的Network都是输入一个x就可以得到一个输出的y，其中x可以是一张图片，一个向量等不同的值，y也可以是一个数值或者一个类别等不同的y。那这就开始来学习新的知识——生成式对抗网络，就是将network当作一个生成器使用。

           

                                   神经网络