生成对抗模型

论文地址

• 有em算法思想

生成对抗网络（GAN）由2个重要的部分构成：
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
判别器(Discriminator)：判断这张图像是真实的还是机器生成的，目的是找出生成器做的“假数据”
主要流程：

第一阶段：固定“判别器D”，训练“生成器G”
我们使用一个还 OK 判别器，让一个“生成器G”不断生成“假数据”，然后给这个“判别器D”去判断。一开始，“生成器G”还很弱，所以很容易被揪出来。但是随着不断的训练，“生成器G”技能不断提升，最终骗过了“判别器D”。到了这个时候，“判别器D”基本属于瞎猜的状态，判断是否为假数据的概率为50%。

第二阶段：固定“生成器G”，训练“判别器D”
当通过了第一阶段，继续训练“生成器G”就没有意义了。这个时候我们固定“生成器G”，然后开始训练“判别器D”。
“判别器D”通过不断训练，提高了自己的鉴别能力，最终他可以准确的判断出所有的假图片。到了这个时候，“生成器G”已经无法骗过“判别器D”。

循环阶段一和阶段二：
通过不断的循环，“生成器G”和“判别器D”的能力都越来越强。最终我们得到了一个效果非常好的“生成器G”，我们就可以用它来生成我们想要的图片了。

GAN算法有两个特点：

• 是一种无监督学习算法，不需要label
• 用一个有监督学习（MLP）的损失函数来做无监督学习，算法效率会更高

总结：算法中涉及到生成模型和判别模型对抗思想，并且用到KL散度等数学知识，通过博弈来逼近最优结果。