GAN | 论文精读 Generative Adversarial Nets

提出一个GAN

（Generative Adversarial Nets）

1 方法

（1）生成模型G（Generative），是用来得到分布的，在统计学眼里，整个世界是通过采样不同的分布得到的，生成东西的话，目前就是要抓住一个数据的分布，

（2）辨别模型D（D） ,他是来辨别你的样本究竟是从真实世界来的呢，还是来自于G

李沐老师把型G是造假币的人，然后D是鉴别假币的人

两个人相互对抗，提升各自的能力

两个网络相互对抗，提升各自的能力

生成模型有两种

第一种生成模型是 我明明白白把一个模型给学出来，知道我们要求的分布的均值和方差之类的

第二种生成模型是，我去近似就好，坏处是不知道分布长什么样子，好处是这个东西算起来会比较容易

GAN用到的就是第二种

2 可视化举例

以一维度数据做可视化

 

紫色线条是判别器D，绿色线条是生成器G，黑色线条是真实分布

图（a）初始状态 此时可以观察到 真实分布（黑色）和生成器（绿色）的分布差别较大，判别器（紫色）

图（b）更新判别器（紫色） 此时可以观察到 判别器（紫色）可以分辨的比较好了，黑色线附近为1 ，绿色线附近为0

图（c）更新生成器（绿色） 此时可以观察到 生成器（绿色）像真实数据分布靠近，为了使得判别器不分别出来

图（d）不断反复，可以看到 绿色生成器要尽量靠近黑色生成数据，当足够接近的时候，会发现判别器输出就是0.5了，此时就无法分辨了

3 算法流程

 

最简单的应用是G和D是MLP

如图所示

（1）从噪声中采样m个样本得到z，从真实数据中采样m个样本得到x

（2）先更新判别器，增强判别器

D(x) 表示把真实分布采样得到的数据放到辨别器里，假如辨别器是完美的，那么D(x)是1 log(D(x))是0，如果不完美，则 log(D(x))为负数

G(z)表示把噪音分布采样得到的噪音放到生成器里，会生成伪真实x，再放入D判别器，假如辨别器是完美的，那么D(x)是0 整体log(1-D(G(x)))是0 ，如果不完美的话，也会输出负数

所以要最大化如下函数，使得接近0

 

使得判别器函数输出尽可能正确，尽可能完美区分

（3）再更新生成器，使得生成器尽可能糊弄判别器

使得后面一项尽可能小

 

这样就会导致生成器尽可能糊弄判别器

k是一个超参数，要保证我们的G和D每次进步差不多，这样才能保证我们自己的一个有效性

外面的这个for loop就是说我们要迭代N次

怎么判断收敛是一个比较难的点，因而有些时候不是很有效