手把手教你理解和实现生成式对抗神经网络（GAN）

一、总结

一句话总结：

GAN的全称是 Generative Adversarial Networks，中文名称是生成对抗网络。原始的GAN是一种无监督学习方法，巧妙的利用“博弈”的思想来学习生成式模型。

 

 

1、gan的目标函数？

$$\min _ { G } \max _ { D } V ( D , G ) = E _ { x \sim p _ { \text { data } } ( x ) } [ \log D ( x ) ] + E _ { z \sim p _ { z } ( z ) } [ \log ( 1 - D ( G ( z ) ) ) ]$$

 

 

2、gan对抗神经网络的讲解思路？

（由简来讲一些看起来比较复杂的问题）gan对抗神经网络的讲解思路可以没必要直接从生成图片着手，可以从生成普通函数开始，比如一个普通的二次函数

 

 

 

二、手把手教你理解和实现生成式对抗神经网络（GAN）

转自或参考：手把手教你理解和实现生成式对抗神经网络（GAN）
https://zhuanlan.zhihu.com/p/43047326

 

生成式对抗神经网络（GAN）是目前深度学习研究中最活跃的领域之一，原因正是其能够生成非常逼真的合成结果。在本文，我们会学习 GAN 的工作原理，然后用 TensorFlow 实现一个简单的 GAN。文章结构如下：

• GAN 的基本理念和工作原理
• 实现一个 GAN 模型，能从一个简单分布中生成数据
• 可视化和分析 GAN 的各个方面，更好地理解其背后原理

 

本文代码地址见文末。

 

GAN 工作原理

GAN 的基本理念其实非常简单，其核心由两个目标互相冲突的神经网络组成，这两个网络会以越来越复杂的方法来“蒙骗”对方。这种情况可以理解为博弈论中的极大极小博弈树。

 

我们以一个伪造货币的例子形象地解释 GAN 的工作原理。

 

结语

本文我们用 TensorFlow 实现了一种概念验证 GAN 模型，能从非常简单的数据分布中生成数据。在你自己练习时，建议将文中代码进行如下调整：

 

• 对鉴别器更新之前和之后的情况进行可视化
• 改变各个层级的激活函数，看看训练和生成样本的区别
• 添加更多层以及不同类型的层，看看对训练时间和训练稳定性的影响
• 调整代码以生成数据，包含来自两个不同曲线的数据
• 调整以上代码，能够处理更复杂的数据，比如 MNIST，CIFAR-10，等等。