Inverting the Generator of a GAN 生成器反向

       上一篇文章的卷积反卷积自编码框架本来我是打算用作GAN的生成器，这样一来我用GAN生成的图像就可以受我控制了，而不是像DCGAN那样生成器的输入是一个随机的100维向量。

       但是用卷积与反卷积自编码来作为生成器，我觉得似乎有点麻烦，首先要训练一个编码器网络，然后将编码器网络生成的向量代替类似于DCGAN中的z向量，实现对GAN生成模型输出的控制效果。因为我也不搞GAN，所以不如去找找现成的，于是乎就上IEEE Trans上找到可找篇论文

Creswell A , Bharath A A . Inverting the Generator of a Generative Adversarial Network[J]. IEEE Transactions on Neural Networks and Learning Systems, 2018:1-8.

         整篇论文看下来有不少细节问题，比如图文不对应，不过不影响论文内容，整体上来说所用的方法是简洁明了的。

1、什么是生成器反向？

1.1 GAN基本原理

       这就要从GAN 的基本原理说起了，放个传送门，简单来说，GAN 由两部分组成：Generator（生成器）:生成模型的目的，就是要尽量去模仿、建模和学习真实数据的分布规律；Discriminator（鉴别器）:而判别模型则是要判别自己所得到的一个输入数据，究竟是来自于真实的数据分布还是来自于一个生成模型。基本框架如下：

所以对于传统的GAN来说，输入一个随机噪声，生成器生成与样本图像类似的图像，所以说生成器的输入z看作生成图像G(z)的一种表示，而且DCGAN已经证明了GANs能够学习一种“rich linear structure”：

       即对z空间的</