生成对抗网络（GAN, Generative Adversarial Networks)快速入门

如今的GAN好比2012年的DL(Deep Learning)，非常火爆。似乎一切与GAN相关的技术，都很容易发论文（2018CVPR有三分之一的文章涉及到了GAN）。那么，什么是GAN呢？这篇文章从科普的角度，帮助读者迅速对GAN有一个大体的了解和印象。想要进一步了解GAN的朋友们，可以访问我的GAN专栏。

首先，我们需要了解GAN能够做些什么？

这里简单列举几点：

• 数据库的数量太少，利用GAN生成更多的数据。
• 数据的分布比较单一，想要生成另外一种分布的数据。（比如图片的风格转移，使用相片生成油画等）
• 超分辨率和图像复原。原有图片像素较低或遭到部分损毁等，使用GAN生成分辨率较高的图像或完成损毁图像的复原。

以上就是GAN的主要应用，GAN的应用当然还有很多，这里只是写几点主要的应用。

接下来，简单介绍GAN的原理。

前文一直在说使用GAN生成一些东西，所以GAN需要有一个生成器，简称G（一般可以是自编码器、U-Net、FCNN等）。但是，可以想到，让G凭空生成一些东西，肯定和我们的需要相去甚远。所以，我们还需要使用一个判别器，简称D。D用来判断G生成的数据是否真实，或者是否是我们所需要的。

在训练的过程中，对G和D进行周而复始的训练，不断训练G去误导D，再不断训练更具有判断力的D。大概就是一个魔高一尺道高一丈的对抗过程。等到无论如何训练D，都无法分辨真实数据和G生成的数据时，GAN的训练也就完成了。我们就可以利用G做一些想做的任务了。

说到这，初学者们大概已经知道了GAN是什么。

最后，使用两个公式对GAN进行更加具象的描述。

x代表原始数据，z代表噪声（使用噪声是为了防止G生成的数据全都是一样的），是G的输入，y是真实的数据。看不懂这个公式不要紧，它描述的就是D的分辨能力，也就是D是否能分清真实的数据和生成的数据。L越大，代表D的能力越强。

所以，根据GAN的原理，我们希望G使上述式子变小，D使上述式子变大。最后，GAN的训练目标就如下所示（V（G,D）就代表上面的公式）。

总结：这篇博客相当于一篇科普短文，希望对初学者有所帮助。GAN的研究空间广阔，大家都有很长的路要走。

后记：GAN之父Ian Goodfellow在和朋友喝完酒之后，回家突发奇想，编了一夜代码，发明了GAN。所以就说到这了，我的左手已经去拿我的芝华士了。

完

欢迎讨论 欢迎吐槽