对抗生成网络（GAN）简介及生成数字实战_生成对抗网络 潜在空间

一、简介

生成对抗网络（Generative Adversarial Netword，简称GAN），是一种生成式机器学习模型，该方法由伊恩·古德费洛等人于2014年提出，曾被称为“机器学习这二十年来最酷的想法”，可以用来创造虚构的人物和场景，人脸置换、模拟人脸老化，图像风格变换，以及产生化学分子式等等，被广泛应用于广告、娱乐、游戏、制药等等行业。

二、组成部分

生成对抗网络（GAN）由2个重要的部分构成：

①生成器(Generator)：通过机器生成数据（大部分情况下是图像），目的是“骗过”判别器。

②判别器(Discriminator)：判断这张图像是真实的还

生成器从潜在空间（latent space）中随机取样作为输入，其输出结果需要尽量模仿训练集中的真实样本。判别器的输入则为真实样本或生成网络的输出，其目的是将生成网络的输出从真实样本中尽可能分辨出来。而生成网络则要尽可能地欺骗判别网络。两个网络相互对抗、不断调整参数，最终目的是使判别网络无法判断生成网络的输出结果是否真实。工作原理如图所示。

从博弈论的角度来看，如果是零和博弈（zero-sum game），两者最终会达到纳什均衡（Nash equilibrium），即存在一组策略(g, d)，g和d相互成就达到均衡。如果Generator不选择策略g，那么对于Discriminator来说，总存在一种策略使得Generator输得更惨；同样地，将Generator换成Discriminator也成立。

三、公式原理

GAN公式如图所示，其中前半部分公式表示真实数据X输入到判别器D中并得到是否为真实概率值，此时优化目标是希望判别器输出真即1。

后半部分表示噪声z生成的生成数据G（z）输入到判别器D中并输出是否为真的概率值，此时对于判别器来说优化目标是输出假即0，对于生成器来说优化目标是输出真即1

四、应用

现有的GANs算法有很多，比如GAN、CGAN、DCGAN、CycleGAN、CoGAN、ProGAN、WGAN、SAGAN、BigGAN。实际应用多种多样。

1、生成图像数据集，GAN 可以自动的生成一些数据集，提供低成本的训练数据。

2、文字到图像的转换，StackGAN网络实现从鸟类和花卉等简单对象的文本描述中生成逼真的照片。

3、图像风格转化

4、语义–图像–照片的转换，在语义图像或草图作为输入的情况下使用条件GAN生成逼真图像。

5、照片到Emojis，GANs 可以通过人脸照片自动生成对应的表情（Emojis）.

6、提高照片分辨率，让照片更清晰。

7、照片修复，GAN可以修复这个区域，还原成原始的状态。

五、项目实战（生成手写数字

本项目参考日月光华gan-pytorch教程并结合自己的想法制作完成，编写了一个最简易的生成对抗网络实现手写数字的自动生成模型。项目使用torch1.12.1，cuda11.3实现的。（源码获取见文末）

生成器模块

判别器模块

损失计算模块

绘图模块

最后实现的效果如下，下面是模型自动生成的图片，分别是第0、20、40、60、80个epoch生成的图片效果图。

获取源码关注公众号【OurTwenty】回复【gan生成数字】即可获取