博主最近在上李弘毅老师的GAN的课程，所以写一些博客作为笔记，方便以后回忆。bilibili链接： https://www.bilibili.com/video/av24011528/?spm_id_from=333.338.recommend_report.1，课程的相关学习资料的链接为：http://speech.ee.ntu.edu.tw/~tlkagk/courses_MLDS18.html
目录
1 为什么GAN
Yann LeCun 说过，GAN是ML领域近十年最有意思的想法。GAN的强大就不强调了，本文主要介绍下GAN的核心思想。
2 什么是 GAN
所谓GAN，及Generative Adversarial Networks，由两个网络组成，一个是generative network，是生成网络，一个是adversarial network 是判别网络。
以生成一张二次元图片为例，生成网络的输入是一个向量，表示生成图像的各种特征，比如第一个参数的大小表示人物头发的大小，第二个参数的大小表示人物头发的颜色等，输出是生成的图像。
而判别网络，输入是一张图片，判断它是否是真实的，还是生成网络生成的。若是真实的图片，则输出高分，1分，若判断是网络生成的则给低分，0分。
3 GAN 的原理
如图1所示（来源于李弘毅老师第一节课的课件），首先1代生成器生成1带图片，然后训练判别器识别1代假图片与真图片。然后训练生成器得到2代图片（训练过程在后边介绍），然后训练判别器识别2代假图片和真图片，然后依次类推，最终生成器生成接近真实的图片。
图1 生成对抗网络的训练过程示意图
4 GAN 的训练
接下来是训练的过程。
（1）随机生成器和判别器的参数。
（2）随机生成器输入的向量，生成图片，然后以生成的图片和真实图片作为样本，真实图片标签为1，生成图片标签为0，使用监督学习来训练判别网络。
（3）判别网络训练完成后训练生成网络，将生成网络和判别网络连接起来，如图2所示（来源为李弘毅老师第一节课的课件），将判别网络的参数固定，合成网络输出是随机向量，输出是判别网络的输出，将期望输出设定为1进行训练。因为判别网络参数固定，要想输出为1，则生成网络的输出可以认为骗过了判别网络。再执行第（2）步。.
图2 生成网络训练示意图
GAN的算法如图3所示（来源为李弘毅老师第一节课的课件），与上文的描述基本一致。
图3 GAN训练算法
5 其他
李弘毅老师第一节课中还讲了structured learning，Can Genertor learn by itself? Can discriminator generate？还有a little bit theory（这个他课上没讲）。下面简单介绍一下，详细的可以看课件或听课。
structed learning 意思就是输出不仅仅是一个数，而是一个序列，矩阵，图，书等等。
生成网络自己也是可以通过监督学习来学习生成的，只不过由于他的结构限制，是从下到上的，所以缺少大局观像素间的关系较少。课程中以Auto-encoder和(Variational) Auto-encoder为例介绍了一下，反正就是效果不太，生成图像模糊。
判别网络自己也是可以生成的，其实就是解一个式子
其中x为判别网络输入，D（x）为输出。所以使得输出最大的输入即为生成的最佳的图片。只不过个很难解，且目前只有假设判别网络是线性的才能解，当然这大大失去了复杂程度。
当然最好的效果就是生成网络加判别网络，也就是GAN，也可以理解为生成网络就是解了上述的式子。
今天就写到这里。由于第一，二节课都是前两天上的，所以为了赶进度，写的不是很用心，过几天再把第二篇也给补了，以后就一边听课一边写博客，写的仔细一点。李弘毅老师上课很有意思，强烈安利！！
本站文章如无特殊说明，均为本站原创，如若转载，请注明出处：李弘毅老师GAN笔记（一），对抗生成网络（GAN）简单介绍 - Python技术站
微信扫一扫 
支付宝扫一扫 
