介绍

生成对抗网络（Generative Adversarial Network, GAN）由Ian Goodfellow于2014年提出。GAN包含两个模型，一个是生成模型（generative model），一个是判别模型（discriminative model）。生成模型的任务是生成看起来自然真实的、和原始数据具有相似分布的实例。判别模型的任务是判断给定的实例是自然真实的还是人为伪造的（真实实例来源于数据集，伪造实例来源于生成模型）。

以生成图像为例，假设G代表生成器，D代表判别器。

  • G接收一个随机的噪声z，通过这个噪声生成图像，记做G(z)。
  • D判别一张图像是不是“真实的”。它的输入参数是图像x，输出D(x)代表x为真实图像的概率。如果D(x)为1，就代表图像x是100%真实的；而D(x)为0，就代表x不可能是真实的图像。

在GAN的训练过程中，生成网络G的目标就是尽量生成真实的图像去欺骗判别网络D。而判别网络D的目标就是尽量把G生成的图像和真实的图像分别开来。这样，生成网络G和判别网络D就构成了一个动态的“博弈过程”。