GAN网络和DCGAN网络

GAN

GAN=生成网络+判别网络

基本原理是优化损失函数：minGmaxDV(D,G)=Ex∼pdata(x)[log(D(x))]+Ez∼pz(z)[log(1−D(G(z)))]，训练目标：可以自动的学习原始真实样本集的数据分布。

优化步骤：

1. 选出假样本{z1,z2,...zn}，同时选出和假样本一样数量的真样本{x1,x2,...x3}
2. 训练判别器D，求出损失函数对于D中参数的梯度，让对应参数加上这个梯度
3. 训练判别器G，求出损失函数对于G中参数的梯度，让对应参数减去这个梯度

DCGAN

D、G含义以及损失函数都和原始GAN完全一样，但是与GAN不同的是确定了D和G的结构，在GAN的基础上增加了深度卷积网络结构，以便有效建模。

这篇博客解释的不错，马一个

https://blog.csdn.net/on2way/article/details/72773771