15、生成网络：从简单GAN到CycleGAN的深入解析

生成网络：从简单GAN到CycleGAN的深入解析

1. 生成对抗网络（GAN）概述

生成对抗网络（GAN）从随机分布中获取样本，然后通过网络将其转换为输出。与其他生成网络不同，GAN在学习输入分布模式时无需监督，也不会显式地学习密度分布，而是运用博弈论方法来寻找两个参与者之间的纳什均衡。一个GAN实现通常包含生成网络和对抗网络，这两个网络可看作是相互竞争的参与者。GAN的核心思想是从数据分布（如均匀分布或高斯分布）中采样，并让网络将样本转换为类似于真实数据分布的样本。

2. 简单GAN

2.1 从博弈论角度理解GAN

从博弈论的角度直观理解GAN，它由两个参与者组成：生成器和判别器，二者相互竞争。生成器从分布中获取随机噪声，并尝试从中生成输出分布，其目标是创建一个与真实分布难以区分的分布，即生成的假输出应看起来像真实图像。

然而，由于缺乏明确的训练或标签，生成器无法得知真实图像的样子，其唯一的信息来源是随机浮点数张量。因此，GAN引入了第二个参与者——判别器。判别器的作用是告知生成器其生成的输出不像真实图像，促使生成器改变图像生成方式，以让判别器相信它是真实图像。

2.2 判别器网络

判别器的任务可转化为分类任务，即对输入图像进行二分类，判断其是原始图像还是生成图像。通过训练判别器网络正确分类图像，最终通过反向传播，判别器能够学会区分真实图像和生成图像。

以下是一个简单的判别器网络代码示例：

import torch
import torch.nn as nn

class Discri