李宏毅 GAN

一、GAN

Generator，输入一个向量可以得到制作的图片（高维向量），改变向量可以改变输出的特征。

 Discriminator，判断生成的图片的真假，越像真则数值越大

 一开始的generator随机生成一些图片，discriminator收到生成的图片和真实的图片进行判断，discriminator学习给真实数据高分数，给生成数据低分数。两边一起进化博弈，generator生成更加真实的图片，discriminator进行更加准确的判断。

 generator和discriminator两个在一起构成一个大网络，最后输出的是一个数值。训练generator时将后面的层冻结，可以看到，这个大网络中间的hidden layer输出的是64*64的数据，就是生成的图片。

 训练过程

二、Conditional GAN

discriminator不仅要判断生成的是否像一张真的图片，还要判断是否符合输入的条件。

 

 

 三、VAE-GAN

VAE-GAN

VAE-GAN的原理是用GAN来强化VAE，VAE本身就是一个auto-encoder的变形。auto-encider大家都很熟悉了。

在原来VAE的基础上加一个discriminator，看看output的image越真实越好。如果只是做VAE，那么图片会很模糊。加上discriminator后迫使output越真实越好。从GAN的角度来看，在train GAN的时候，generator从来没见过真正的image长什么样，如果通过auto-encoder的架构，generator不仅仅要骗过discriminator，它见过真实的图片长什么样，所以VAE GAN学起来会更稳一点。

在VAE-GAN中，各个部件的优化目标如下：

encoder:minimize reconstruction error,同时希望encode的向量z越接近真实越好。

Generator(同时也是decoder): Minimize reconstruction error, 同时 cheat discriminator

Discriminator: 区分真实图片和generator生成的图片。