Apple首篇AI文章，SimGAN

　　苹果的第一篇人工智能领域的文章，一出来也是吸足了眼球，我看了下文章做了个ppt，跟大家分享一下。

　　本文的目的是要训练一个改善网络，使得模拟器生成的合成图片经改善后能更贴近真实图片。
　　贡献1就是用了S+U（生成+无监督）的方法，贡献2则是网络损失函数的定义，贡献3是对标准GAN做了一定的改进，贡献4说的是效果上的突破。

　　左图体现了整个网络结构，由原始生成器生成的合成图片，经过改善网络R后输出改善图片，另有一个鉴别器D，需要区分改善后的图片和无标签的真实图片。R的目的是要生成尽可能真实的图片去欺骗D，而D的目的就是要区分生成的和真实图片，这就是生成式对抗网络的最基本模型。
　　
　　右边的公式介绍一下：
　　x上面加波浪线表示的是改善后的图片样本；
　　网络R的损失函数包含真实性成本和差异性成本，前者为了让改善图片更真实，与真实图片的风格更接近；后者是为了让合成图片在改善前后不至于有太大的变化以致于失真；
　　网络D的损失函数包含两项，对于合成图片，希望网络输出1，对于真实图片，希望网络D输出0，如此将两者区分。训练过程中，我们要最小化这个损失函数；
　　在实际应用中，我们网络R的损失