机器学习-生成对抗网络基础概念（一）_生成对抗网络的重大意义

本篇为生成对抗网络(Generative Adversarial Network)的基础知识，内容简单，但是较为重要，划线部分重点看。建议大家先认真看本篇文章，其中公式推导等复杂过程没有展现，对初学者来说看懂会用就行。在下一篇文章中我会在实际应用中继续讲解，但看明白代码的前提是要弄明白生成对抗网络的过程，以及每一步的意义后面才看得懂。后作写好之后附上链接。

意义：

生成对抗网络(Generative Adversarial Network):提出的意义是虽然我们前面学习了很多种神经网络，但是对于图片的生成虽然效果不错，但是人眼仍然可以一下分辨出来，因此提出生成对抗网络(Generative Adversarial Network)希望可以达到更好的效果。

下面我们简单讲一下生成对抗网络，让大家有个初步印象与概念：有一个画画初学者G，以及一个鉴赏初学者D。一开始需要D不断学习能将G的画作和原作区分开，当D学成之后，不断训练G，使得G的水平不断提升，最终趋于原作，即使是学成的D也难以将其区分开。

原理：

根据我们上面讲的例子，其中G代表的是生成网络(Generator)，它的职责就是不断学习后生成图片，最终目的就是让鉴赏者区分不出来是不是G产生的。D代表的是判别网络(Discriminator)，它的职责就是在前期不断训练，能区分出G和原作，训练好之后需要让G不断依据D来更新自己的参数，最终让D识别不出来。

实际上G是类似于自编码器中解码器部分的，给定一个向量可以生成图片。但是我们需要明白G来自于正态分布中的随机抽样，这个是规定，大家记住就好。

再来看D，鉴赏家看上去很高大上，但是我们最终只需要判断是不是原作而已，因此我们可以将D看作一个二分类网络，把复杂的问题简单化。

我在上面提到了G和D的训练顺序，我们实际上是希望第一步：生成器G参数在不改变的情况下，不断训练判别器D，使其能最大程度区分开。第二步：判别器固定不动，调整生成器，尽量让判别器区分不出来，因此要求G输入判别器输出的结果尽可能与真相近，并以此为损失更新参数。

网络的选择：

上面讲到G是类似于自编码器中解码器部分的，我们要将一个像素很小的图片逐步生成为一个正常的能看的图片，一般使用多个全连接层或者多个转置卷积。

转置卷积又称反卷积，它的推导比较复杂，在此处作用不大，大家仅需要掌握转置卷积可以放大图像，并且效果还不错，在生成对抗网络中使用较多就足够了。

D的网络模型选择卷积层提取特征，最后由全连接层输出二分类。