64、生成对抗网络（GAN）：原理、实现与训练

生成对抗网络（GAN）：原理、实现与训练

1. GAN 基础原理

1.1 GAN 训练流程

• 寻找误判负例（假阴性） ：将真实票据输入到判别器中，若判别器将真实票据误判为假票，误差函数会驱动判别器进行反向传播，更新其权重，使其更善于识别真实票据。
• 寻找正确负例（真阴性） ：把生成器的输出直接连接到判别器的输入，形成一个大模型。从随机数输入生成器开始，生成器输出假票据，再将其输入判别器。若判别器正确识别出假票，会通过判别器进行梯度计算，但仅更新生成器的权重，判别器的权重在此步骤中保持不变（即判别器被冻结），这样生成器能学习如何更好地欺骗判别器。
• 寻找误判正例（假阳性） ：给判别器一个假票据，如果判别器将其误判为真票，就更新判别器的权重，使其更善于识别假票。
• 重复真阴性步骤 ：再次执行真阴性步骤，让判别器和生成器在每一轮训练中都有两次更新的机会。

1.2 为何称为“对抗”

GAN 中的“对抗”一词源于博弈论。从表面上看，生成器和判别器似乎是合作关系，但换个角度看，可将判别器想象成警察侦探，生成器想象成独自作案的伪造者，且伪造者能得知哪些伪造票据被检测出来。这样，两者就呈现出对抗关系。这种对抗视角虽不改变网络的设置和训练方式，但为理解网络提供了不同思路。GAN 训练的目标是让两个网络都发挥出最佳能力，达到博弈论中的纳什均衡状态。

1.3 GAN 相关网络结构