简单理解GAN

GAN -----Generative Adversarial Nets(生成对抗网络)，包含两个部分：

• 生成器
• 辨别器

简单例子：

      训练生成器生成数据，数据要求Mean=4,STD=1.5的高斯分布。

首先数据准备：

生成数据代码如下：

def sample_data(size,length=10):
    data=[]
    for i in range(size):
        data.append(sorted(np.random.normal(4,1.5,length)))  # sorted 是为了训练相对平滑
    return np.array(data)

生成噪声数据：

def random_data(size,length=10):
    data=[]
    for i in range(size):
        data.append(np.random.random(length))
    return np.array(data)

GAN生成结构：

确定生成器和辨别器结构，假设使用最简单的全连接网络结构。判别器用于区分真实的高斯分布和生成器生成的假的高斯分布。

可以视为二分类问题，假设采用交叉熵损失：

分类正确交叉熵趋近于0，通过拟合辨别器的参数来最小化交叉熵。

训练：

1. 将真实数据标为1，生成器生成数据标为0. 迭代训练辨别器。
2. 生成器输出为辨别器的输入，固定辨别器的参数，将输入生成器的噪音样本标记为1，最小化损失函数，训练生成器。
3. 反复迭代，最终生成器的生成能力ok。

未完待续