生成对抗性网络GAN

 

同VAE模型相似，GAN模型也包含了一对子模型。GAN的名字中包含一个对抗的概念，为了体现对抗这个概念，除了生成模型，其中还有另一个模型帮助生成模型更好地学习观测数据的条件分布。这个模型能够称做判别模型D，它的输入是数据空间内的任意一张图像x，输出是一个几率值，表示这张图像属于真实数据的几率。对于生成模型G来讲，它的输入是一个随机变量z，z服从某种分布，输出是一张图像G(z)，若是它生成的图像通过模型D后的几率值很高，就说明生成模型已经比较好地掌握了数据的分布模式，能够产生符合要求的样本；反之则没有达到要求，还须要继续训练。

两个模型的目标以下所示。

判别模型的目标是最大化这个公式：Ex[D(x)]，也就是甄别出哪些图是真实数据分布中的。
生成模型的目标是最大化这个公式：Ez[D(G(z))]，也就是让本身生成的图被判别模型判断为来自真实数据分布。

 

看上去两个模型目标联系并不大，下面就要增长两个模型的联系，若是生成模型生成的图像和真实的图像有区别，判别模型要给它断定比较低的几率。这里能够举个形象的例子，x比如是一种商品，D是商品的检验方，负责检验商品是不是正品；G是一家山寨公司，但愿根据拿到手的一批产品x研究出生产山寨商品x的方式。对于D来讲，无论G生产出来的商品多像正品，都应该被断定为赝品，更况且一开始G的技术水品不高，生产出来的产品必然是漏洞百出，因此被断定为赝品也不算冤枉，只有不断地提升技术，才有可能迷惑检验方。

基于上面的例子，两个模型的目标就能够统一成一个充满硝烟味的目标函数。

 

上面这个公式对应的模型架构如图10-5所示。

 

 

————————————————
版权声明：本文为CSDN博主「csdn_csdn__AI」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处连接及本声明。
原文连接：https://blog.csdn.net/heyc861221/article/details/80130968