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
本文摘自于《深入浅出GAN生成对抗网络》,经出版方授权发布。