pytorch_task10 GAN

GAN

给定这样一个模型，我们可以对类似于训练数据分布的综合数据点进行采样。例如，给定大量的面孔照片，我们可能希望能够生成新的真实感图像，看起来好像它可能来自同一数据集。这种学习称为生成建模。
GAN的核心思想是，如果我们不能将假数据与真实数据区分开，那么数据生成器就很好。
在统计中，这称为两次抽样检验-回答是否从同一分布中得出数据集X = {x1，…，xn}和X’= {x1’，…，xn’}的问题的检验。大多数统计文件与GAN之间的主要区别在于，后者以建设性的方式使用了这一思想。
换句话说，他们是使用两个样本的检验为生成的模型提供训练信号。这使我们能够改进数据生成器，直到它生成类似于真实数据的内容为止。

GAN架构有两部分-首先，我们需要一个设备（例如，深层网络，但实际上可能是任何东西，例如游戏渲染引擎），这可能是能够生成看起来像真实事物的数据。如果要处理图像，则需要生成图像。
鉴别器是一个二进制分类器，用于区分输入xx是真实的（来自真实数据）还是伪造的（来自生成器）。