深度学习--对抗天生网络（GAN）

对抗天生网络（Generative Adversarial Network, GAN）是一种深度学习模子，由伊恩·古德费洛（Ian Goodfellow）及其同事在2014年提出。GAN通过两个神经网络的对抗过程来天生数据，这两个网络分别是天生器（Generator）和鉴别器（Discriminator）。
一、GAN的根本概念与作用

  

• 天生器（Generator）：天生器的任务是从随机噪声（通常是从正态分布或匀称分布中采样）中天生伪造数据，目标是让这些数据看起来尽大概像真实数据。
    
  
• 鉴别器（Discriminator）：鉴别器的任务是区分天生器天生的伪造数据和真实数据。它通过对输入数据举行分类，输出一个概率值，表现该数据是“真实”照旧“伪造”。
    
  
• 对抗过程：天生器和鉴别器在练习过程中处于一种博弈状态。天生器实验天生可以大概诱骗鉴别器的数据，而鉴别器则试图尽大概正确地辨认伪造数据和真实数据。这个过程通过瓜代优化天生器和鉴别器的丧失函数来实现。
    
  
• 作用：GAN可以大概天生与练习数据分布相似的新数据，在图像天生、图像超分辨率、风格转换、文本天生等范畴有广泛应用。
  
  

二、GAN的原理

GAN的练习过程可以看作是一个二人零和博弈：

  

• 天生器的目标是最大化鉴别器分类错误的概率，即最大化鉴别器推测为真实数据的概率。  
  
• 鉴别器的目标是最大化区分真实数据和天生数据的本领，即最大化准确分类的概率。
  

GAN的优化目标是通过以下丧失函数来实现的：

三、GAN的应用

  

•