产品经理看AIGC--GAN（生成对抗网络）白话原理

《AIGC：智能创作时代》的阅读随笔（推荐单独阅读第二章，其余章节快速略过），期待从业务角度而非推导角度更好的理解，为产品从业人员提供更好的了解沟通渠道。

如何理解对抗 

如何从白话角度理解生成对抗网络，核心在于如何理解“对抗”，通俗的字面理解“对抗”，我们会联想到对立事件的博弈，例如NBA的训练场上，球星想要练习投篮的稳定性，此时会有一名训练师来进行针对性的防守，从而发现并提升球星的短板，例如投篮的球速太慢，投篮的高度不够等等。

在GAN算法的角度上，对抗源于生成器和判别器。

通过一个生成器和一个判别器的相互对抗，来实现图像或文字等元素的生成过程。（原始的GAN并不要求生成器和判别器都是一个深度神经网络，但是在实践中通常都采用深度神经网络去构建GAN）

生成器

我们可以向生成器(Generator)输入包含一串随机数的向量，生成器会根据这一串随机数生成并输出图像或句子。向量里的每一个数字都会与生成的图像或句子的特征相关联。

打一个并不严谨的比方，假设生成器收到的输入是[0.1,-0.5,0.2 …0.9]，据此生成了一张小猫的图片，而第一个数是和小猫的颜色相关的，当你把0.1换成0.2时，小猫可能就从橘猫变成了白猫。

因为随机数是可以随意构造的，因此我们就可以利用生成器生成各种各样的新图片。不过，和一般的神经网络一样，在生成之前会有提前训练的过程，我们需要准备一个全是各种各样小猫图片的数据集供生成器训练。

判别器

判别器(Discriminator)用于评价生成器生成的图像或句子到底看起来有多么真实。判别是否真实的方式也很简单，就是看这个图像或句子像不像来自生成器训练用的数据集，因为数据集是最真实的。

我们可以向判别器输入一个生成的图像或句子，判别器会输出一个数值（也被称为得分）。一般来说，我们会使用0到1的区间来表示得分，如果