对抗网络Gan简介

GAN全称是Generative Adversarial Nets，中文叫做“生成对抗网络”。在GAN中有2个网络，一个网络用于生成数据，叫做“生成器”。另一个网络用于判别生成数据是否接近于真实，叫做“判别器”










价值函数 Value Function三、WGAN（使用W距离的GAN）源码实现：https://github.com/martinarjovsky/WassersteinGANWGAN的优点进一步提升了训练的稳定性。不需要精心设置G和D一轮一轮的更新。不需要精心设置复杂的网络结构。（原始GAN的价值函数的梯度很可能是0，就没法得到更新。WGAN提出了新的价值函数解决这个问题。）
几乎解决了mode collapse问题。mode collapse是说生成器生成的内容过于雷同，缺少变化。
提供了具有意义的价值函数，可以判断判别器和生成器是否已经收敛。（原始GAN中如果D的效果不好，我们不知道是G生成的好，还是D判别的不好）
提供了理论公式（不过很难理解）。
在判别器输入中加入噪声，使优化分布成为可能。
随着真实分布和生成分布的距离越来越小，对噪声进行退火，使噪声越来越小直至消除噪声
当移除BN后DCGAN无法正常工作，而WGAN仍然可以生成很好的图片。所以WGAN可以使用更简单的网络结构。
  改进的地方：         判别器最后一层去掉sigmoid          生成器和判别器的loss不取log         每次更新判别器的参数之后把它们的值截断到不超过一个固定常数c         不要用基于动量的优化算法（包括momentum和Adam),推荐RMSProp,SGD也行四、训练在训练的过程中固定一方，更新另一方的网络权重，交替迭代（网络中先训练 D 一次，再训练 G 两次），在这个过程中，双方都极力优化自己的网络，从而形成竞争对抗，直到双方达到一个动态的平衡（纳什均衡），此时生成模型 G 恢复了训练数据的分布（造出了和真实数据一模一样的样本），判别模型再也判别不出来结果，准确率为 50%，约等于乱猜。上述过程可以表述为如下公式：


当固定生成网络 G 的时候，对于判别网络 D 的优化，可以这样理解：输入来自于真实数据，D 优化网络结构使自己输出 1，输入来自于生成数据，D 优化网络结构使自己输出 0；当固定判别网络 D 的时候，G 优化自己的网络使自己输出尽可能和真实数据一样的样本，并且使得生成的样本经过 D 的判别之后，D 输出高概率。五、相关论文1。Conditional Generative Adversarial Nets，给 GAN 加上条件，让生成的样本符合我们的预期，这个条件可以是类别标签（例如 MNIST 手写数据集的类别标签），也可以是其他的多模态信息（例如对图像的描述语言）等。用公式表示就是：

式子中的 y 是所加的条件。2.Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks，简称（DCGAN），在实际中是代码使用率最高的一篇文章，它优化了网络结构，加入了 conv，batch_norm 等层，使得网络更容易训练