本文根據自己的理解對生成對抗神經網路gan進行解釋，適合初學者學習。
生成對抗神經網路（generative adversarial networks）
一種無監督學習模型，模型通過框架中至少兩個模型：生成模型（generative model）和判別模型（discriminative model）的互相博弈學習產生相當好的輸出。一般我們用神經網路構造上述兩個模組。
生成模型和判別模型的區別：
舉例說明，判別模型是給一張圖，判斷圖里是貓還是狗。生成模型是給一堆貓的圖，生成一張新的貓的圖。
gan的原理：
這裡以生成為例進行說明，假設我們有兩個網路，g（generator）和d（discriminator）。正如它的名字所暗示的那樣，它們的功能分別是：g是乙個生成的網路，它接收乙個隨機的雜訊z，通過這個雜訊生成，記做g(z)。d是乙個判別網路，判別一張是不是「真實的」。它的輸入引數是x，x代表一張，輸出d（x）代表x為真實的概率，如果為1，就代表100%是真實的，而輸出為0，就代表不可能是真實的。在訓練過程中，生成網路g的目標就是盡量生成真實的去欺騙判別網路d。而d的目標就是盡量把g生成的和真實的分別開來。這樣，g和d構成了乙個動態的「博弈過程」。最後博弈的結果是什麼？在最理想的狀態下，g可以生成足以「以假亂真」的g(z)。對於d來說，它難以判定g生成的究竟是不是真實的，因此d(g(z)) = 0.5。這樣我們的目的就達成了：我們得到了乙個生成式的模型g，它可以用來生成。
在訓練的過程中固定一方，更新另一方的網路權重，交替迭代，在這個過程中，雙方都極力優化自己的網路，從而形成競爭對抗，直到雙方達到乙個動態的平衡（納什均衡），此時生成模型 g 恢復了訓練資料的分布（造出了和真實資料一模一樣的樣本），判別模型再也判別不出來結果，準確率為 50%，約等於亂猜。
GAN的小白快速理解
對不起，因為east的改進效果在學校電腦上，連上vpn後，發現結果也不再伺服器上，我哭暈。也因為疫情遲遲沒辦法附上實驗結果，所以還請大家見諒，一到學校就更新哈！gan從2017年就開始有點 小網紅 的感覺了哈.我從研一的影象去霧 影象風格遷移 到研二的姿態遷移 生成 都相繼了解到了gan這個網路，除...
常見的GAN網路的相關原理及推導
常見的gan網路的相關原理及推導 gan，生成對抗網路，主要有兩部分構成 生成器，判別器。生成器網路的主要工作是負責生成樣本資料，輸入的是高斯白雜訊z，輸出的是樣本資料向量x 判別器網路的主要工作是負責檢測樣本的資料增加，輸入真實或者生成的樣本資料，輸出樣本的標籤 由於生成器和判別器都是需要經過網路...
GAN學習系列2 GAN的起源
本文大約 5000 字，閱讀大約需要 10 分鐘 這是 gan 學習系列的第二篇文章，這篇文章將開始介紹 gan 的起源之作，鼻祖，也就是 ian goodfellow 在 2014 年發表在 iclr 的 generative adversarial networks 當然由於數學功底有限，所以會...