Generative Adversarial Nets

论文：http://papers.nips.cc/paper/5423-generative-adversarial-nets.pdf

问题

生成模型的困难：最大似然估计涉及到的概率计算棘手、

模型

训练完成后，G生成真实的数据，D无法分辨G生成的是否是真实的数据。
对抗训练的结果是：G和D都会变好。

生成器G

捕捉数据分布，生成数据
优化目标：最大化D犯错的概率

判别器D

判断数据是G生成的数据还是真实的数据

GAN优化目标

image.png

x是数据；p_g是生成器G产生的数据分布；z是输入噪音变量；theta_g是G的模型参数；G(z;theta_g)是生成器，跟输入噪音变量z和G本身的模型参数有关，正因为有噪音变量z，G才能生成与训练数据类似的假数据；theta_d是D的模型参数；D(x;theta_d)是判别器；D(x)表示数据x是来自于训练数据而不是p_g的概率；G(z)是G生成的数据，D(G(z))是D判断G(z)数据是伪数据的概率；E是期望；分别对数据x和噪音变量z取期望，不同的伪数据是由不同的z生成的。

看论文时的疑问