GAN开山之作论文解读及感想

研一生涯快结束了，看了一些论文，最终还是决定继续深度学习，本科阶段学过了TensorFlow，也还算有一些基础吧，了解了一下GAN生成对抗网络，写一写学习心得

GAN模型介绍

《Generative Adversarial Nets》是Ian J.Goodfellow发表在NIPS 2014上的一篇ghgfhjfwenzhanglaixzizhenggegedboke@@@@论文，也是GANs的开山之作。文中提出了GAN的模型定义以及数学公式定义与证明，并用警察和印假钞的犯罪分子的例子去解释生成器G和判别器D，最后给出了在理想情况下G能生成以假乱真的样本，而此时D的损失值loss为1/2的结论。

在原文中使用了印假钞的犯罪分子与辨识假钞的警察为例，犯罪分子希望能够印刷骗过警察的假钞，而警察希望能够辨识出假钞。在一次次的博弈中，警察的辨识手段越来越丰富，而犯罪分子的技术也越来越高明。最后，假钞能ghgfhjfwenzhanglaixzizhenggegedboke@@@@够以假乱真，而警察完全无法辨识，双方在不断的博弈中达到纳什均衡。其中犯罪分子对应生成器G，而警察对应判别器D。

这里我想补充一点的是，在警察和印假钞的犯罪分子的博弈之间，警察是需要分辨真钞和假钞的，也就是说，真钞和假钞都是警察所要判断的数据集，而犯罪分子是需要通过自己的手段去使假币尽量成真，也就是说生成器并不是以真实图像作为自己的目标，而是以判别器为目标，生成能够骗过判别器的数据，从而使判别器无法分辨此时的图像是真实的还是ghgfhjfwenzhanglaixzizhenggegedboke@@@@生成器生成的图片，也就是让警察分辨不出他所印的不是真钞。如果还是不太明白的话，可以拿枯叶蝶举个例子，枯叶蝶想要不让天敌发现自己，将自己伪装成枯叶，可它本身是不可能变成枯叶的，只能让自己在枯叶中不被天敌发现。

模型结构

这张图可以简化成下图：

模型分为生成器G和判别器D两部分，生成器G输入噪声z生成样本，判别器D输入真实样x和G生成的样本G(z)，并输出表示输入的样本是否为真实样本概率的一个标量。

D希望最大化甄别真实样本的概率

$E{x∼pdata(x)}[logD(x)]$

和甄别生成样本的概率

$E{z∼pz(z)}[log( 1−D(G(z))]$

而G的目标则是最小化第二项。文中使用V (G ,D)来表述这一过程：

其中，z表示随机噪声，pz(z)表示随机噪声z服从的概率分布，G(z)表示生成器输入z输出假图像，x~p_data表示真实数据服从的概率分布，D(x)表示输入图像输出改图像来自x的概率。

训练过程

图中黑色虚线表示真实数据分布，蓝色虚线表示判别器预测x为真实数据的概率，绿色实线为生成器生成图像分布，水平线x是图像空间，z为噪声空间。

首先，通过训练判别器D，可以在b图中看出，判别器在前期准确判断的判断率很高，在绿色实线附近蓝色虚线是很低的，这说明在训练刚开始时D能轻易分辨出真实样本，其次，训练生成器G，固定判别器D，此时c图反映出判别器还是能够大概率分辨出真实样本和生成样本，最后，随着生成器和判别器交替训练若干轮，两者达到纳什均衡，此时判别器判断输入是数据是真实数据的概率为0.5，即判别器完全无法区分两个分布。