标签：tps   表示   ref   tin   article   http   定义   部分   部件   

生成对抗网络

? 顾名思义，生成对抗网络由两个部分构成， 生成器（Generator)和判别器(Discriminator), 两个部件相互博弈，最终达到平衡状态。

基本原理

下面以生成图片为例。

G: 生成器 接受一个随机的噪声 z，通过噪声产生目标G(z)

D：判别器 判别目标是否是“真实的”。输入参数是 x,输出为D(x), 表示是否为真实的概率。

? 训练的过程中， G的目的就是尽量生成真实的图片欺骗 D。而 D的目标就是尽量将 G 生成的图片和真实的图片分离开。这样就是一个博弈过程，最终理想的情况就是G 可以生成以假乱真的图片 G(z). 对于D来说，它难以判定这张图片是不是真实的， 因此 D(G(z))=0.5.

所以可以看出模型的最终目的就是 ==生成网络G== 的训练，使得其能生成足以真实的图片。

先来看看模型的数学定义(也就是最高层次的量化抽象)：
\[ \min_{G} \max_{D}V(D,G)=E_{x \sim p_{data}(x)}[log{D(x)}] + E_{z \sim p_{z}(z)}[log(1-D(G(z)))] \]

如何用随机梯度下降法训练 D 和 G？

论文地址：https://arxiv.org/abs/1406.2661

参考链接：

1.https://blog.csdn.net/mingzhuo_126/article/details/82722455（Typora数学公式编辑）

2.https://www.jianshu.com/p/25f0139637b7 (markdown数学公式编辑)

3.https://www.cnblogs.com/baiting/p/8314936.html （生成网络理解）

生成对抗网络浅析（GAN）

标签：tps   表示   ref   tin   article   http   定义   部分   部件   

原文地址：https://www.cnblogs.com/chunchao/p/11771676.html