基础原理 | 生成对抗网络GAN解读

以最大似然估计的方式来获得生成图像模型的方法，这种方法是可行的，但有比较大的约束，即模型不能太复杂，比如服从正态分布，那么通过最大似然估计的方式就可以计算出，但如果是一个非常复杂的分布，那么使用这种方式难以获得一个理想的模型，这种强制性的约束就会造成各种限制，而我们希望的是可以为任意分布，这就需要引出GAN了。

1 生成器来拟合分布

在GAN中有两个主要的组成部分，分别是生成器与判别器，这里先讨论生成器，因为通过最大似然估计的方式能以计算复杂分布的，所以GAN的方法就是直接使用一个神经网络来完成这个事情，而这个神经网络就是生成器，因为神经网络可以拟合任意的分布，所以生成器不存在最大似然估计会遇到的问题。

对于GAN中的生成器而言，它会接收一个噪音输入，这个噪音输入可以来自于正态分布、均匀分布或其他任意分布，经过生成器复杂的神经网络变换，输出的数据就可以组成一种复杂的分布，最小化这个分布与真实分布的差异则可。输入给生成器的数据其分布不用太在意，因为生成器是一个复杂的神经网络，它有能力将输入的数据“改造”成各式各样的数据分布，直观如图1所示。

图1生成器

2 判别器计算分布的差异

图2　　判别器

图3 二元分类器

3 GAN的数学推导

直观的展示一下上面的公式推导，这里使用简单的二维的函数图像来简化复杂分布的表示，如图4所示.

图4 V(G,D*)

图5 求微分

图6 V(G,D)发生变化

• 获得样本，真实样本 ，噪音样本 ，生成样本
• 固定生成器G，训练判别器D

本文摘自于《深入浅出GAN生成对抗网络》，经出版方授权发布。