GAN 简介及原理分析

GAN 简介及原理分析

生成式对抗网络（GAN, Generative Adversarial Networks ）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中（至少）两个模块：生成模型（Generative Model，下文简写 G）和判别模型（Discriminative Model，下文简写 D）的互相博弈学习产生相当好的输出。判别模型（D）的任务就是判断一个实例是真实的还是由模型生成的；生成模型（G）的任务就是生成一个实例来骗过判别模型（D）。两个模型相互对抗，最后会达到一个平衡，即生成模型生成的实例与真实的没有区别，判别模型无法区分输入数据是生成的还是原始真实的数据。怎么更通俗的理解呢？现举如下例子：我们可以把 GAN 想象成是伪造古董的大师（后称伪造大师）和鉴宝专家之间的博弈，生成模型（generator）就相当于伪造大师，判别模型（discriminator）相当于鉴宝专家。Generator 目的就是把假古董造的更像真的一样，从而骗过鉴宝专家；鉴宝专家则需要不断提高自己的鉴宝能力，尽可能的做出正确判断。在下图两个场景中，左边为真实的输入数据 x，当其经过判别器 D 时，我们希望其输出结果 D(x)更接近与 1（判别器越接近 1 表示越真，越接近 0 表示越假）。右边首先数据 z 通过生成器 G 生成了数据 G(z)[图中的 x]，然后同样通过判别器 D 进行判断。我们希望对于判别器 D 来说使 D(G(z))更靠近 0，即对于生成的数据判别器判断其为假。对于生成器 G 来说，我们希望 D(G(z))更靠近 1（生成器越接近 1 表示生成的效果越好，越接近 0 表示生成的效果越差），即对生成的数据要求其效果更好，更接近真实数据。

GAN 的损失函数

GAN 应用

GAN 的用于十分广泛，如图像生成、图像转换、风格迁移、图像修复等等。我们可以通过一些图片来直观的感受以下 GAN 达到的效果：

                                             风格迁移

                                             图像修复

从上面两张图中我们可以看出使用 GAN 进行相关的操作效果还是非常不错的，可以满足人们的需求。