Python 深度学习实战：生成对抗网络

1.背景介绍

生成对抗网络（Generative Adversarial Network，GAN）是近年来较火热的深度学习模型之一，其在图像合成、视频生成、文本数据生成等领域均取得了不俗的效果。与传统的机器学习模型不同，GAN可以生成真实有效的数据，无需人工标注数据。它由两部分组成：生成器（Generator）和判别器（Discriminator）。生成器通过学习，根据噪声或随机变量（latent variable），生成假象样本；而判别器则负责判断生成样本是否真实存在，并给出评分。两个模型一起训练，可以尽可能欺骗判别器，使得生成样本逼真可信。

在GAN的模型结构中，生成器和判别器都采用神经网络进行实现。生成器从潜在空间或噪声中输入，输出假象样本；判别器接收真实数据或假象样本，输出预测值，判别真假，并反馈损失到生成器。训练过程由两步构成：

• 第一步，生成器产生假象样本，判别器接收真实样本，计算生成样本的判别结果；
• 第二步，生成器修正自身参数，使得再次接收到真实样本时，输出更加真实、逼真的样本。

这种训练模式保证生成样本足够逼真，且判别器无法准确识别真假样本，从而