一、GAN介绍
生成式对抗网络（GAN, Generative Adversarial Networks ）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中（至少）两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。原始 GAN理论中，并不要求 G 和 D 都是神经网络，只需要是能拟合相应生成和判别的函数即可。但实用中一般均使用深度神经网络作为 G 和 D 。一个优秀的GAN应用需要有良好的训练方法，否则可能由于神经网络模型的自由性而导致输出不理想。（来自百度百科）
哇哇哇哇！ ！下面介绍的工作原理是干货，仔细看！
二、GAN工作原理
生成对抗网络，顾名思义，既有生成又有对抗（如何战斗？想象两个人扭动手腕）
GAN主要有生成器神经网络(Generator Nerual Network) 和鉴别器神经网络（Discriminator Neural Network）组成。下文分别简称为生成器和鉴别器【有些人也翻译为判别器】
生成网络采用随机输入，尝试输出数据样本。在上图中，我们可以看到生成器G(z)从p(z)获取了输入z，其中z是来自概率分布p(z)的样本。生成器根据输入的样本数据随机产生一个数据，将其送入鉴别器D(x)。
鉴别网络的任务是接收真实数据或者生成数据，并尝试预测输入是真实（真的）还是生成（假的）的。它需要一个来自pdata(x)的输入x，其中pdata(x)是我们的真实数据分布。 D(x)然后使用Sigmoid函数解决二元分类问题，并输出0到1的值。
【Sigmoid函数是常用的激活函数，它可以把输入的数据映射到（0，1）区间，对数学不感冒的同学记住它是个工具人就行啦！！】
我们再来看一个头疼的问题，就是它的数学公式表达
和大家一样，我看到了这个长长的清单，心里想：拿着草！这到底是什么。
别担心别担心，其实这就是个纸老虎，看不懂也不影响大家后面的Code。
先看加号前面的项目
E代表的是熵（Entropy），X~Pdata（x）代表是x来自于Pdata【真实数据分布】，D(x)：鉴别器
所以第一项想要表示的是来自通过鉴别器的实际分布的数据的熵
因为数据是来自真实的数据，所以鉴别器肯定想将其最大化为1
更通俗来讲，第一项的含义就是鉴别器鉴别出真实数据的概率，我们的优化目标是希望这个概率越大越好。也就是说，对于服从Pdata分布的图片x，鉴别器应该给出预测结构D(X)=1
你可以有疑问那这个log是干嘛的？
数据取对数并不会改变数据间的相对关系，由于log函数的单调性，加上log可以用来放大我们的损失，便于计算和优化。
继续看第二部
这部分的意思是来自通过生成器的随机输入的数据的熵。生成器生成假样本，鉴别器识别真假。
因为是生成的假样本，鉴别器肯定想把假的都识别出来，所以鉴别器尝试将其最大化为0
最后一部分！这是一个很大的胜利
这个想要表达的意思就是我们GAN名字中的对抗！！
如何与之抗争？我们看优化目标
对于生成器G而言，希望鉴别器鉴别生成器的生成数据为真，即：D(G(Z))=1，
也就是说，希望越小越好
【比如你是生成器，判别器代表老师。如果你想请假，你必须编造一个欺骗老师的理由。从你的角度来看，老师越有说服力越好。 】
对于鉴别器D而言，如果其输入的是生成的数据【D(G(Z))】，鉴别器的目标是最小化D(G(Z))，希望它被判定为0，也就是希望
越大越好
【或者你必须请假不去上课，站在老师的角度，你必须尽可能地识别你的谎言】
这样生成器和判别器的优化目标是相反的，体现在公式
三、如何训练GAN？
两个阶段：
1.训练鉴别器，冻结生成器（冻结不是不训练，神经网络只向前传播，不进行backprogation后向传播）
2.训练生成器，冻结鉴别器。
四、generator和discriminator的loss问题
生成器的损失是通过判别器的输出来计算的，而判别器的输出是一个概率值，我们可以通过交叉熵来计算。 （不用担心交叉熵是什么，记住它又是一个工具人，数学是我们的工具！）
五、崇高
用我们的大白话过一遍GAN。
以生成图片为例，用真实图片的数据集来训练鉴别器，使得鉴别器的鉴别能力越来越强。用随机的生成数据输入生成器，使得生成器产生一张假图片，把假图片送到鉴别器进行鉴别。从生成器角度来看，肯定希望自己生成的假图片判定为真的，但是从鉴别器而言，鉴别器要把假的都鉴别输出。两者就在这个对抗过程中，不断优化自己！这就是我们的GAN！
文章出处登录后可见！
