GAN

GAN的设计

生成器的损失由判别器输出来计算的，而判别器输出的是一个概率值，可以通过交叉熵计算

什么是GAN

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

机器学习的模型可大体分为两类，生成模型（ Generative Model）和判别模型（Discriminative Model）。判别模型需要输入变量 ，通过某种模型来 预测 。生成模型是给定某种隐含信息，来随机产生观 测数据

GAN原理

GAN 主要包括了两个部分，即生成器 generator 与 判别器 discriminator。==生成器主要用来学习真实图像 分布从而让自身生成的图像更加真实，以骗过判别器 。判别器则需要对接收的图片进行真假判别。==

在训练过程中，生成器努力地让生成的图像更加真实 ，而判别器则努力地去识别出图像的真假，这个过程 相当于一个二人博弈，随着时间的推移，生成器和判 别器在不断地进行对抗。

最终两个网络达到了一个动态均衡：生成器生成的图 像接近于真实图像分布，而判别器识别不出真假图像 ，对于给定图像的预测为真的概率基本接近 0.5（相 当于随机猜测类别）

训练过程中，生成网络G的目标就是尽量生成真实的 图片去欺骗判别网络D。而D的目标就是尽量把G生成 的图片和真实的图片分别开来。 这样，G和D构成了一个动态的“博弈过程”

在最理想的状态下，G可以生成足以“以假乱真”的 图片G(z)。对于D来说，它难以判定G生成的图片究竟 是不是真实的，因此D(G(z)) = 0.5。 目的：得到了一个生成模型G，可以用来生成图片。

GAN公式