29、生成对抗网络与深度强化学习的奇妙世界

生成对抗网络与深度强化学习的奇妙世界

1. 生成对抗网络（GAN）的误差分析与发展

在生成对抗网络（GAN）中，判别器误差和生成器误差处于不同的量级。判别器误差通常低于生成器误差，并且随着训练的进行，判别器误差往往会下降。这是因为判别器在看到更多的样本后，能够更好地将假图像与真实图像区分开来，即使生成器的能力也在提升。

而生成器误差在训练初期会大幅降低，但随后又会逐渐增加。这是因为判别器在检测方面积累了更多经验。如果进行更多轮的训练，生成器误差会呈现出正弦曲线的形状，即误差率会定期上升（当生成器变得更熟练时），然后再下降（在找到新的欺骗判别器的技巧之后）。这是GAN网络中生成器和判别器之间的一场无休止的斗争，但随着训练的持续，这场斗争会产生越来越逼真的图像。

1.1 GAN的变体与发展

GAN从最初的简单实现开始，已经发展出了大量的变体，这些变体能够完成比单纯创建新图像更复杂的任务。以下是一些GAN的变体及其应用：
| GAN变体 | 应用 | 相关资料 |
| ---- | ---- | ---- |
| DCGAN | 基于卷积层，极大地提高了原始GAN的生成能力，可创建名人的虚假面部图像 | - |
| EBGAN - PT、BEGAN、Progressive GAN | 实现了更高程度的逼真度 | NVIDIA关于Progressive GAN的论文：https://research.nvidia.com/publication/2017 - 10_Progressive - Growing - of |
| 条件GAN（CGAN） | 可以控制网络的输出类型，例如根据用户对头发、眼睛等细节的偏好生