生成對抗性網絡GAN

 

同VAE模型相似，GAN模型也包含了一對子模型。GAN的名字中包含一個對抗的概念，爲了體現對抗這個概念，除了生成模型，其中還有另一個模型幫助生成模型更好地學習觀測數據的條件分佈。這個模型能夠稱做判別模型D，它的輸入是數據空間內的任意一張圖像x，輸出是一個機率值，表示這張圖像屬於真實數據的機率。對於生成模型G來講，它的輸入是一個隨機變量z，z服從某種分佈，輸出是一張圖像G(z)，若是它生成的圖像通過模型D後的機率值很高，就說明生成模型已經比較好地掌握了數據的分佈模式，能夠產生符合要求的樣本；反之則沒有達到要求，還須要繼續訓練。

兩個模型的目標以下所示。

判別模型的目標是最大化這個公式：Ex[D(x)]，也就是甄別出哪些圖是真實數據分佈中的。
生成模型的目標是最大化這個公式：Ez[D(G(z))]，也就是讓本身生成的圖被判別模型判斷爲來自真實數據分佈。

 

看上去兩個模型目標聯繫並不大，下面就要增長兩個模型的聯繫，若是生成模型生成的圖像和真實的圖像有區別，判別模型要給它斷定比較低的機率。這裏能夠舉個形象的例子，x比如是一種商品，D是商品的檢驗方，負責檢驗商品是不是正品；G是一家山寨公司，但願根據拿到手的一批產品x研究出生產山寨商品x的方式。對於D來講，無論G生產出來的商品多像正品，都應該被斷定爲贗品，更況且一開始G的技術水品不高，生產出來的產品必然是漏洞百出，因此被斷定爲贗品也不算冤枉，只有不斷地提升技術，纔有可能迷惑檢驗方。

基於上面的例子，兩個模型的目標就能夠統一成一個充滿硝煙味的目標函數。

 

上面這個公式對應的模型架構如圖10-5所示。

 

 

————————————————
版權聲明：本文爲CSDN博主「csdn_csdn__AI」的原創文章，遵循 CC 4.0 BY-SA 版權協議，轉載請附上原文出處連接及本聲明。
原文連接：https://blog.csdn.net/heyc861221/article/details/80130968