【深度学习】生成式对抗网络（GAN）系列

近几年已经见证了深度神经网络在各个领域的巨大能力。 深度神经网络已经成为许多问题背后的常见解决方案，特别是对于与图像相关的难题。 具体而言，基于GAN的方法在一系列图像生成问题上表现出极好的性能。 更具体地说，对于基于指导的图像生成，与传统的深度学习方法相比，GAN展示出显着的成就。

一、 生成式对抗网络（GAN）

1. 网络结构：

GAN的主要灵感来源于博弈论的思想，生成对抗网络的出现对无监督学习，图片生成的研究起到极大的促进作用。GAN有两个网络，G（Generator）和D（Discriminator）。

生成网络G：生成网络负责捕捉样本数据的分布，它接收一个随机的噪声z，通过这个噪声生成图片，记做G(z)。

判别网络D：判别网络一般情况下是一个二分类器，判别输入是不是“真实的”。它的输入参数是x，x代表一张图片，输出D（x），表示x为真实图片的概率

在原始的GAN中，G和D均采用深度神经网络（DNN）

训练思路：生成网络G的目标就是尽量生成真实的图片去愚弄判别网络D。而D的目标就是尽量把G生成的图片和真实的图片分别开来。这样，G和D构成了一个动态的“博弈过程”。