神經網路分很多種, 有普通的前向傳播神經網路 , 有分析的 cnn 卷積神經網路 , 有分析序列化資料, 比如語音的 rnn 迴圈神經網路 , 這些神經網路都是用來輸入資料, 得到想要的結果, 我們看中的是這些神經網路能很好的將資料與結果通過某種關係聯絡起來.
理解對抗網路，首先要了解生成模型和判別模型。判別模型比較好理解，就像分類一樣，有乙個判別界限，通過這個判別界限去區分樣本。從概率角度分析就是獲得樣本x屬於類別y的概率，是乙個條件概率p（y|x）.而生成模型是需要在整個條件內去產生資料的分布，就像高斯分布一樣，他需要去擬合整個分布，從概率角度分析就是樣本x在整個分布中的產生的概率，即聯合概率p（xy）。
gangan 啟發自博弈論中的二人零和博弈（two-player game），gan 模型中的兩位博弈方分別由生成式模型（generative model）和判別式模型（discriminative model）充當。生成模型 g 捕捉樣本資料的分布，用服從某一分布（均勻分布，高斯分布等）的雜訊 z 生成乙個類似真實訓練資料的樣本，追求效果是越像真實樣本越好；判別模型 d 是乙個二分類器，估計乙個樣本來自於訓練資料（而非生成資料）的概率，如果樣本來自於真實的訓練資料，d 輸出大概率，否則，d 輸出小概率。可以做如下模擬：生成網路 g 好比假幣製造團夥，專門製造假幣，判別網路 d 好比警察，專門檢測使用的貨幣是真幣還是假幣，g 的目標是想方設法生成和真幣一樣的貨幣，使得 d 判別不出來，d 的目標是想方設法檢測出來 g 生成的假幣。
GAN 生成對抗網路
原理 假設我們有兩個網路 乙個生g generator 乙個判別d discriminator g是乙個生成的的網路，它接受乙個隨機的雜訊z，通過這個雜訊生成，記做g z d是乙個判別網路，判斷一張是不是 真實的 它的輸入引數是x，x代表一張的。輸出d x 代表x為真實的概率，如果為1，就代表100...
生成對抗網路 GAN
原文 generative adversarial networks 模型組成 核心公式 演算法圖示化描述 全域性最優點 pg pdata 效果與對比展望 ming maxdv d,g exp data x logd x exp x x log 1 d g z 分析 上方為 gan 網路的核心演算法...
GAN（生成對抗網路）
gan,generative adversarial network.起源於2014年，nips的一篇文章，generative adversarial net.gan,是一種二人博弈的思想，雙方利益之和是乙個常數，是固定的。你的利益多點，對方利益就少點。gan裡面，博弈雙方是 乙個叫g 生成模型 ...