理解与学习深度卷积生成对抗网络

一.GAN

引言：生成对抗网络GAN，是当今的一大热门研究方向。在2014年，被Goodfellow大神提出来，当时的G神还是蒙特利尔大学的博士生。据有关媒体统计：CVPR2018的论文里，有三分之一的论文与GAN有关。由此可见，GAN在视觉领域的未来多年内，将是一片沃土。而我们入坑GAN，首先需要理由，GAN能做什么，为什么要学GAN。

》》GAN的初衷就是生成不存在于真实世界的数据，类似于使得 AI具有创造力或者想象力。应用场景如下：

》AI作家，AI画家等需要创造力的AI体；

》将模糊图变清晰(去雨，去雾，去抖动，等);

》进行数据增强，根据已有数据生成更多新数据供以feed，可以减缓模型过拟合现象。

 

接下来我们对GAN进行讨论:

(1)GAN的思想是是一种二人零和博弈思想（two-player game），博弈双方的利益之和是一个常数，比如两个人掰手腕，假设总的空间是一定的，你的力气大一点，那你就得到的空间多一点，相应的我的空间就少一点，相反我力气大我就得到的多一点，但有一点是确定的就是，我两的总空间是一定的，这就是二人博弈，但是呢总利益是一定的。

引申到GAN里面就是可以看成，GAN中有两个这样的博弈者，一个人名字是生成模型（G），另一个人名字是判别模型（D）。他们各自有各自的功能。比如，我们有一些真实数据，同时也有一把乱七八糟的假数据。(G)拼命地把随手拿过来的假数据模仿成真实数据，并揉进真实数据里。(D)则拼命地想把真实数据和假数据区分开。这里，(G)就是一个生成模型，类似于卖假货的，一个劲儿地学习如何骗过 (D)。而(D)则是一个判别模型，类似于警察叔叔，一个劲儿地学习如何分辨出(G)的骗人技巧。如此这般，随着(D)的鉴别技巧越来越牛，(G)的骗人技巧也越来越纯熟了。

相同点是：

这两个模型都可以看成是一个黑匣子，接受输入然后有一个输出，类似一个函数，一个输入输出映射。

不同点是：

生成模型(G)功能：比作是一个样本生成器，输入一个噪声/样本，然后把它包装成一个逼真的样本，也就是输出。

判别模型(D)：比作一个二分类器（如同0-1分类器），来判断输入的样本是真是假。（就是输出值大于0.5还是小于0.5）.

(2)训练这样的两个模型的大方法就是：单独交替迭代训练.