标签：real 无法 否则 正态分布 优化 loss 向量 更新 初始化
1.生成对抗网络
让两个网络相互竞争，通过生成网络来生成假的数据，对抗网络通过判别器判别真伪，最后希望生成网络生成的数据能够以假乱真骗过判别器
2.生成模型
在生成对抗网络中，不再是将图片输入编码器得到隐含向量然后生成图片，而是随机初始化一个隐含向量，根据变分自动编码器的特点，初始化一个正态分布的隐含向量，通过类似解码的过程，将它映射到一个更高的维度，最后生成一个与输入数据相似的数据，这就是假的数据。生成对抗网络过程通过计算对抗过程来计算损失函数。
3.对抗过程
对抗过程是一个判断真假的判别器，相当于一个二分类问题。输入一张图片，如果是真的图片希望判别器输出为1，假的图片输出为0，这与图片的标签没有关系。
4.训练过程
先优化判别器，将真的图片和假的图片都输入给判别模型，让判别器计算损失，不断优化，让判别器能够区分出真的图片和假的图片，真的图片为1，假的为0.
然后优化生成器。固定判别器的参数，不断优化生成器，使生成器的生成的结果传递给判别器之后，尽可能的接近1，调整损失函数。
5.判别模型训练
开始需要自己创建label，真实的数据时1，生成的假的数据时0，然后将真实的数据输入给判别器，计算loss值，将假的数据输入判别器得到loss，将这两个loss加起来得到总的loss，然后反向传播更新参数能够得到一个优化好的判别器。
6.生成器训练
一个随机隐含向量通过生成网络得到了一个假的数据，然后希望假的数据经过判别模型尽可能和真实label接近，通过g_loss = criterion(output,real_label)实现，然后反向传播去优化生成器的参数，在这个过程中，判别器的参数不再发生变化，否则生成器永远无法骗过优化的判别器。
标签：real 无法 否则 正态分布 优化 loss 向量 更新 初始化
原文地址：https://www.cnblogs.com/shuangcao/p/11763876.html
