算法人生（23）：跟着“生成对抗网络”思维走出“拖延”

生成对抗网络（GANs）是一种深度学习模型，其核心思想是通过两个神经网络——生成器和判别器的对抗过程来学习数据分布，进而生成新的、类似真实数据的样本。它基本原理基于一个博弈论框架，其中生成器尝试生成尽可能逼真的数据样本以欺骗判别器，而判别器则试图区分真实数据与生成器生成的伪造数据。这两个网络在训练过程中相互竞争、共同进化，最终目标是达到一个纳什均衡点，此时判别器无法准确地区分真实数据和生成的数据，这意味着生成器已经学会了真实数据的分布，能够生成高质量的合成数据。它的训练步骤如下：

1. 初始化网络：首先，随机初始化生成器和判别器的参数。

2. 生成样本：生成器接收到一个随机噪声向量（通常是从简单分布如高斯分布采样而来），并将其转换为数据样本（如图像）。

3. 判别真伪：判别器接收来自真实数据集的样本以及生成器产生的样本，并分别给出它们属于真实数据的概率分数。

4. 反向传播与更新：

   • 对于判别器，目标是最小化真实样本被正确分类的概率和生成样本被错误分类的概率的损失函数。这促使判别器提高区分能力。

   • 对于生成器，目标是最大化生成样本被判别器误认为真实样本的概率，即最小化判别器给生成样本的非真实概率的损失函数。这促使生成器改进生成质量。

5. 迭代训练：上述过程会进行多次迭代，每轮迭代中，两个网络轮流更新