GAN 生成对抗神经网络

GAN

GAN的结构

GAN的设计灵感来源于博弈论中的零和博弈（Zero-sum Game），在零和博弈中，参与双方的收益是完全相反的，一方的收益必然导致另一 方的损失，总收益为零。

GAN 主 要 由 两 部 分 组 成 ： 生 成 器 （ Generator ） 和 判 别 器 （Discriminator），它们分别扮演了两个不同的角色。 生成器的任务是生成接近真实数据分布的样本，而判别器的任务则是尽可 能地区分真实的样本和生成器生成的样本。 通过生成器和判别器之间的对抗，GAN可以学习到生成高质量样本的能力。

以图片生成为例： 生成器是一个生成图片的网络，它使用服从某一分布（均匀分布或高斯 分布）的噪声生成一个类似真实训练数据的图片，记作𝐺(𝒛)，追求效果 是越像真实图片越好。 判别器是一个二分类器，用来判断一个图片是不是“真实的” ，它的输入是采样的真实图片𝒙以及生成器生成的图片𝐺(𝒛)，输出是输入图片是真实图片的概率，如果输入图片来自真实数据，那么判别器输出大的概率，否则，输出小的概率。

GAN的目标函数

GAN的目标是使生成器生成的数据能够骗过判别器，因此需要定义一个目标函数，使得判别器判断真实样本为“真” 、生成样本为“假”的概率最小化。
$$\underset{G}{\min }\underset{D}{\max }V(D,G)=E_{\mathbf{x}\sim p_{da}}$$