GAN是一种特殊的损失函数？

数据科学家Jeremy Howard在fast.ai的《生成对抗网络（GAN）》课程中曾经讲过这样一句话：

“从本质上来讲，生成对抗网络（GAN）是一种特殊的损失函数。”

你是否可以理解这句话的意思？读完本文，你会更好的理解这句话的含义。

神经网络的函数逼近理论

在数学中，咱们能够将函数看作一个“机器”或“黑匣子”，咱们为这个“机器”或“黑匣子”提供了一个或多个数字做为输入，则会输出一个或多个数字，以下图所示：

将函数能够比喻成一个“机器”或“黑匣子”

通常来讲，咱们能够用一个数学表达式来表示咱们想要的函数。可是，在一些特殊的状况下，咱们就没办法将函数写成一堆加法和乘法的明确组合，好比：咱们但愿拥有这样一个函数，即可以判断输入图像的类别是猫仍是狗。

若是不能用明确的用数学表达式来表达这个函数，那么，咱们能够用某种方法近似表示吗？

这个近似方法就是神经网络。通用近似定理代表，若是一个前馈神经网络具备线性输出层和至少一层隐藏层，只要给予网络足够数量的神经元，即可以表示任何一个函数。

具备4个隐藏单元的简单神经网络逼近函数

做为损失函数的神经网络

如今，咱们但愿设计一个猫和狗的分类器。但咱们没办法设计一个特别明确的分类函数，因此咱们另辟蹊径，构建一个神经网络，而后一步一步逐渐实现这一目标。

为了更好的逼近，神经网络须要知道距离目标到底还有多远。咱们使用损失函数表示偏差。

如今，存在不少种类型的损失函数，使用哪一种损失函数则取决于手头上的任务。而且，他们有一个共同的属性，即这些损失函数必须可以用精确的数学表达式来表示，如：

1.L1损失函数（绝对偏差）：用于回归任务。

2.L2损失函数（均方偏差）：和L1损失函数相似，但对异常值更加敏感。

3.交叉熵损失函数：一般用于分类任务。

4.Dice系数损失函数：用于分割任务。

5.相对熵：又称KL散度，用于测量两个分布之间的差别。

在构建一个性能良好的神经网络时，损失函数很是有用。正确深刻的理解损失函数，并适时使用损失函数实现目标，是开发人员必备的技能之一。

如何设计一个好的损失函数，也是一个异常活跃的研究领域。好比：《密度对象检测的焦点损失函数（Focal Loss）》中就设计了一种新的损失函数，称为焦点损失函数，能够处理人脸检测模型中的差别。

可明确表示损失函数的一些限制

上文提到的损失函数适用于分类、回归、分割等任务，可是若是模型的输出具备多模态分布，这些损失函数就派不上用场了。好比，对黑白图像进行着色处理。

如上图所示：

1.输入图像是个黑白鸟类图像，真实图像的颜色是蓝色。

2.使用L2损失函数计算模型输出的彩色图像和蓝色真实图像之间的差别。

3.接下来，咱们有一张很是相似的黑白鸟类图像，其真实图像的颜色是红色。

4.L2损失函数如今尝试着将模型输出的颜色和红色的差别最小化。

5.根据L2损失函数的反馈，模型学习到：对于相似的鸟类，其输出能够接近红色，也能够接近蓝色，那么，到底应该怎么作呢？

6.最后，模型输出鸟类的颜色为黄色，这就是处于红色和蓝色中间的颜色，而且是差别最小化的安全选择，即使是模型之前从未见过黄色的鸟，它也会这样作。

7.可是，天然界中没有黄色的鸟类，因此模型的输出并不真实。

使用MSE预测的下一帧图像很是模糊

在不少状况下，这种平均效果并不理想。举个例子来讲，若是须要模型预测视频中下一个帧图像，下一个帧有不少种可能，你确定但愿模型输出其中一种可能，然若是使用L1或L2损失函数，模型会将全部可能性平均化，输出一个特别模型的平均图像，这就和咱们的目标相悖。

生成对抗网络——一种新的损失函数

若是咱们没办法用明确的数学表达式来表示这个损失函数，那么，咱们就可使用神经网络进行逼近，好比，函数接收一组数字，并输出狗的真实图像。

神经网络须要使用损失函数来反馈当前结果如何，可是并无哪一个损失函数能够很好的实现这一目标。

会不会有这样一种方法？可以直接逼近神经网络的损失函数，可是咱们不必知道其数学表达式是什么，这就像一个“机器”或“黑匣子”，就跟神经网络同样。也就是说，若是使用一个神经网络模型替换这个损失函数，这样能够吗？

对，这就是生成对抗网络（GAN）。

Vanilla-GAN架构

Alpha-GAN架构

咱们来看上面两个图，就能够更好的理解损失函数。在上图中，白色框表示输入，粉色和绿色框表示咱们要构建的神经网络，蓝色表示损失函数。

在vanilla GAN中，只有一个损失函数，即判别器D，这自己就是一个特殊的神经网络。

而在Alpha-GAN中，有3个损失函数，即输入数据的判别器D，编码潜在变量的潜在判别器C和传统的像素级L1损失函数。其中，D和C不是明确的损失函数，而是一种逼近，即一个神经网络。

梯度

若是使用损失函数训练生成网络（和Alpha-GAN网络中的编码器），那么，应该使用哪一种损失函数来训练判别器呢？

判别器的任务是区分实际数据分布和生成数据分布，使用监督的方式训练判别器比较容易，如二元交叉熵。因为判别器是生成器的损失韩式，这就意味着，判别器的二进制交叉熵损失函数产生的梯度也能够用来更新生成器。

结论

考虑到神经网络能够代替传统的损失函数，生成对抗网络就实现了这一目标。两个网络之间的相互做用，可让神经网络执行一些之前没法实现的任务，好比生成逼真的图像等任务。

原文连接