GAN网络从入门教程（一）之GAN网络介绍

GAN网络从入门教程（一）之GAN网络介绍

稍微的开一个新坑，一样也是入门教程（所以教程的内容不会是从入门到精通，而是从入门到入土）。主要是为了完成数据挖掘的课程设计，而后就把挖掘榔头挖到了GAN网络这里来了。固然，我也是新手上路，若有任何问题，欢迎在评论区留言。

生成式对抗网络是20年来机器学习领域最酷的想法。 ——Yann LeCun

GAN网络概要

GAN网络全称generative adversarial network，翻译为生成式对抗网络，是一种机器学习方法。由Ian J. Goodfello 等人于2014年在Generative Adversarial Nets 论文中提出。其中在GAN网络中，有两个模型——生成模型（ generative model G），判别模型（discriminative model D）。

a generative model G that captures the data distribution, and a discriminative model D that estimates the probability that a sample came from the training data rather than G

咱们以生成图片为例子，本教程的最终的目标是实现使用GAN网络生成动漫头像。

• G就是一个生成图片的网络，它接受一个随机的噪声\(z\)，而后经过这个噪声生成图片，生成的数据记作\(G(z)\)。

• D是一个判别网络，判别一张图片是否是“真实的”（是不是捏造的）。它的输入参数是\(x\)，\(x\)表明一张图片，输出\(D(x)\)表明\(x\)为真实图片的几率，若是为1，就表明绝逼是真实的图片，而输出为0，就表明不多是真实的图片。

在训练的过程当中，生成网络G的目标就是生成假的图片去骗过判别网络D，而判别网络D的目标就是可以分辨出某一张图片是否是由\(G\)生成的。这就变成了一个博弈的过程。同时G和D的能力也在训练的过程当中逐渐提升。在最理想的状况下， 则就是\(D(G(z)) = 0.5\)。

看到一个比较形象的说法：一个生成器（“艺术家”）学习创造看起来真实的图像，而判别器（“艺术评论家”）学习区分真假图像。训练过程当中，生成器在生成逼真图像方面逐渐变强，而判别器在辨别这些图像的能力上逐渐变强。当判别器再也不可以区分真实图片和伪造图片时，训练过程达到平衡。

所以，在训练的过程当中，咱们会对判别器和生成器进行学习。

判别器的学习

首先咱们初始化生成器 G，而后输入一组随机向量(Randomly sample a vactor)，生成器会根据输入的向量产生一些图片，咱们把这些图片标注成 0（假图片）。同时把已有训练集中真实的图片标注成 1（真图片）。二者同时丢进判别器 D 中，以此来训练判别器 D。使得当输入是真图片的时候，判别器给高分（分数接近于1），而输入假图片的时候，判别器给低分（接近于 0 ）。

了解深度学习的同窗应该就知道了，咱们有标记为1的真实图片和标注为0的假的图片，这个时候，咱们就能够很轻易的对\(D\)进行训练（有了\(x\)和\(y\)）。

生成器的学习

针对于\(D\)咱们有标记为1和0的数据，所以咱们能够对其进行训练。那么对于生成器，有\(x\)（也就是随机噪声\(z\)），那么\(y\)在哪里呢？

对于生成器，咱们的目的是使得其可以生成真实的图片，换句话说，咱们是但愿生成的图片可以骗过\(D\)。那么如何经过判别器来产生所谓的\(y\)？？咱们能够这样作：

咱们经过随机向量（噪声数据）经由生成网络产生一组假图片，咱们将这些假图片都标记为 1（也就是说，人为的把假的图片看成真实的），而后将这些假图片输入到判别器中，判别器在对这些图片进行判别的时候，会发现这些图片是假的图片，而后给出低分，这样就产生了偏差（由于标记的为1，可是判别器给了低分）。

所以，在训练生成器的时候，这个网络是串接的。而在训练生成器的时候，一个很重要的操做就是保持判别器网络的参数不发生改变，只是把偏差一直方向传播，传到生成网络那块后更新生成网络的参数，这样就完成了生成网络的训练了。

在完成生成器的训练以后，咱们又能够产生新的假的图片去对判别器进行训练。咱们把这个过程称做为单独交替训练。同时要定义一个迭代次数，交替迭代到必定次数后中止便可。

总结

GAN网络的入门介绍就到这里，下一篇博客将会对GAN网络的原理进行介绍。数据挖掘杀我！！！

参考

• Generative Adversarial Nets
• GAN学习指南：从原理入门到制做生成Demo
• 深度卷积生成对抗网络
• 生成对抗网络——原理解释和数学推导