1. GAN的介绍 

1.1 GAN的引入

GAN：Generative Adversarial Networks 是一种无监督的深度学习模型，提出于2014年，被誉为“近年来复杂分布上无监督学习最具前景的方法之一。”

1.2 GAN模型的主要组成

• 生成器G（generator）
• 判别器D（discriminator）

1.3 GAN训练的目的

希望生成器G能够学习到样本的真实分布，那么G就能生成之前不存在的但是却又很真实的样本。

数据增强以增加训练集

eg:

1.4 GAN的网络结构示意图

 1.5 数学描述

 JSD散度最小时。使两个分布相等

 2. 常见的GAN

2.1 DCGAN

DCGAN：Deep Convolutonal Generative Adversarial Networks 深度卷积生成对抗性网络

实际上DCGAN就是将判别器和生成器中原始GAN的多层感知机替换成卷积神经网络。

网络结构：

• 步长卷积 （D）和分数卷积 （G）取代池化层
• D和G里使用批归一化处理
• 移除全连接层
• 在G中使用ReLU激活函数，除最后一层使用Tanh输出
• 在D中使用LeakyReLU激活函数

 2.2 CGAN

CGAN：Conditional Generative Adversarial Networks 条件GAN

数学描述：

可以看作是每一个类别y都对应一个属于自己的目标函数。有了这个约束，假如生成了清晰但是类别与标签不匹配的图像，也会当作fake来进行打分，因此可以通过调整标签的值，来改变生成数据的类别。

2.3 VAE-GAN 自编码器GAN

Autoencoder:

包括两部分，一个Enconder一个Decoder，输入一张图像，目标是经过编码得到一个向量，然后将这个中间向量解码输出之后，输入图像和输出图像尽可能像，将输入输出图像的差异定义为loss，则优化loss就可以训练出Encoder和Decoder。

VAE：

设置两个损失，第一个是使得输入图像和输出图像尽可能的像，第二个损失是想让Encoder之后的向量满足一个分布，如正态分布，那么Encoder之后的向量就更加满足一个正态分布，那么就可以随机给一个正态分布的向量，就可以产生一个满足要求的图像。

VAE-GAN 

2.4 CycleGAN