GAN原理详解

GAN的基本原理其实非常简单，这里以生成图片为例进行说明。假设我们有两个网络，G（Generator）和D（Discriminator）。正如它的名字所暗示的那样，它们的功能分别是：

• G是一个生成图片的网络，它接收一个随机的噪声z，通过这个噪声生成图片，记做G(z)。
• D是一个判别网络，判别一张图片是不是“真实的”。它的输入参数是x，x代表一张图片，输出D（x）代表x为真实图片的概率，如果为1，就代表100%是真实的图片，而输出为0，就代表不可能是真实的图片。

数学公式：

这里主要理解是怎么训练网络的。

• 整个式子由两项构成。x表示真实图片，z表示输入G网络的噪声，而G(z)表示G网络生成的图片。
• D(x)表示D网络判断真实图片是否真实的概率（因为x就是真实的，所以对于D来说，这个值越接近1越好）。而D(G(z))是D网络判断G生成的图片的是否真实的概率。
• G的目的：上面提到过，D(G(z))是D网络判断G生成的图片是否真实的概率，G应该希望自己生成的图片“越接近真实越好”。也就是说，G希望D(G(z))尽可能得大，这时V(D, G)会变小。因此我们看到式子的最前面的记号是min_G。
• D的目的：D的能力越强，D(x)应该越大，D(G(x))应该越小。这时V(D,G)会变大。因此式子对于D来说是求最大(max_D)

还是不太理解，怎么做到网络的训练

假设我们已经有了G网络和D网络，以及real_data。那么我们怎么对G和D训练呢。
再一次迭代中：
$\underset{G}{\min }$ ：
1. 首先输入g_input(符合G输入的随机噪声），对G前向传播获得g_fake_data=G(g_input)。
2. 然后输入至D网络对其进行鉴别dg_fake_describe = D(g_fake_data)
3. 此时损失定义为g_error = criterion(dg_fake_describe，1)。此时对这个损失进行反向传播，为了让这个减少这个损失，就会更新G网络的参数，是它生成的数据越来越接近真实。（记住这里这个损失也对D网络进行了反向传播，但是并不对D网络的参数进行更新）
$\underset{D}{\max }$ ：
4. 获得真实标签输入d_real_input, 并对D网络前向传播获得d_real_descirbe = D(d_real_input)。计算其损失d_real_error= criterion(d_real_descirbe, 1)。这个损失反向传播的时候可以告诉D网络这是真实标签。
5. 获得G网络的生成的假数据g_fake_data ，并计算其输入到D网络的损失函数d_fake_error = criterion(D(g_input), 0)，这个损失函数可以保证D网络能识别出假的图像。
（这里虽然计算G网络的反向传播梯度，但是并不对G网络进行参数进行更新）

直到最后D网络认为生成的假图像接近真实==（即D(g_fake_data)=0.5）==，表明网络训练成功。
这样就实现了两个网络的训练。