生成式对抗网络（Generative Adversarial Nets，GAN）

目录

论文结构

本文可分为四个部分：

1. 相关工作，主要介绍生成模型的含义、模型实现的难点和现有技术的缺陷；
2. 算法说明，介绍了算法原理，算法最优解的求解和证明；
3. 实验，记录了将GAN和其他当时已有的几个模型在多个数据集上进行实验后的结果，并对其进行分析；
4. 总结和展望，分析GAN模型的优缺点及其可拓展的方向。

背景介绍

深度学习领域可分为两个部分，一是检测识别，可用于图像分类，目标识别等，相关技术更为成熟，影响更为深远；二是图像生成，但由于其需要大量的先验知识对真实世界建模，且它在处理概率计算等方面存在困难，影响较小，可研究的空间更大。
而当时存在的模型如受限玻尔兹曼机制（RBM），深玻尔兹曼机制（DBM），深度置信网络（DBN）和生成式随机网络（GSN）等存在低效、计算困难等缺陷。
于是，2014年，Ian J.Goodfellow等人提出了一种通过对抗过程评估生成模型的新框架-GAN，首次发表于NIPS2014年的会议上（NIPS即神经信息处理系统大会，是一个关于机器学习和计算神经科学的国际会议，是机器学习领域的顶级会议之一）。
论文链接：https://arxiv.org/pdf/1406.2661.pdf
GAN技术具有广泛的应用场景：
图像生成（AI画像-可用于动漫设计、影视制作等，模糊图->清晰图（去雨、去雾、去抖动、去马赛克），可用于破案、旧照片修复等）；
数据增强（可以根据已有数据生成更多数据，以减缓模型过拟合现象）。
GAN目前是深度学习领域的一大研究热点，根据国外大神对GAN相关论文的统计结果可以看到，从GAN这一概念被提出之后，对GAN技术的相关研究与日俱增，截止到2018年年底，以GAN命名的论文的月累计数量以及超过了485，所以我们也很有必要了解一下GAN的具体含义。
图片来源：

基础知识

多层感知机：https://blog.csdn.net/xholes/article/details/78461164
KL散度：https://baike.baidu.com/item/%E7%9B%B8%E5%AF%B9%E7%86%B5/4233536?fr=aladdin
JS散度：https://www.cnblogs.com/smuxiaolei/p/7400923.html

算法说明

框架组成

1. 生成模型：捕捉数据分布（伪造数据）
2. 判别模型：评价数据来自于真实数据集的概率（鉴别数据）

在GAN的框架中，有两个模型，一是生成模型G，另一个是判别模型D。生成模型G主要用于根据给定的隐含信息来随机生成观测数据，判别模型D主要是输入变量，通过模型来预测它是真实的数据还是虚假的数据。在GAN中，我们不断地训练模型，目的就是为了得到一个效果良好的生成模型，可以生成与数据集中的真实数据相似的的数据，这就是GAN中的“生成”的含义。

算法原理

生成模型G接收随机噪声（随机数）z，生成图片G(z)。判别模型D接收图片x（x可能是真实图片也可能是来G生成的图片），输出判定结果D(x)，D(x)越大，表明判别模型D认为x是真实图片的概率越大。
在训练过程中，生成模型G的目标就是尽量生成真实的图片去欺骗判别模型D，而D的目标就是尽量辨别出G生成的假图像和真实图像，二者不断更新，这样，G和D就构成了一个动态的“博弈过程”，这也就是GAN中“对抗”的含义。
在最理想的状况下，博弈的最终结果是G可以生成足以以假乱真的图片，让D难以断定真假，即D(G(z))=0.5，此时，我们就得到了一个可用于生成数据的模型G。

算法求解

算法要优化的目标函数如下：

该公式的含义在于，固定G，求解max V(D, G)就表示最大化PG和Pdata之间的差异，即找到一个最好的D，使得其分辨真实图像和生成图像的能力最强；之后，我们要找到一个G，使得这个最大值最小，即两个分布之间的差距最小。
求解max V(D, G)

求解min V(D*, G)

因为当且仅当p1 = p2时，JS(P1||P2) = 0，所以当pdata = pg时有最小值
训练过程

实验

数据集
MNIST, TFD, CIFAR-10

激活函数

1. G的激活函数
   ReLU：https://baike.baidu.com/item/%E7%BA%BF%E6%80%A7%E6%95%B4%E6%B5%81%E5%87%BD%E6%95%B0/20263760?fr=aladdin
   Sigmoid：https://baike.baidu.com/item/Sigmoid%E5%87%BD%E6%95%B0/7981407?fr=aladdin
2. D的激活函数
   Maxout：https://www.jianshu.com/p/710fd5d6d640
   Dropout：https://blog.csdn.net/program_developer/article/details/80737724

实验结果

总结

参考资料
李宏毅老师GAN讲解课程
https://www.bilibili.com/video/av35757082/?p=18
其他各位大神的讲解博客
https://blog.csdn.net/u010089444/article/details/78946039
https://www.cnblogs.com/bonelee/p/9166084.html
https://blog.csdn.net/leviopku/article/details/81292192
https://blog.csdn.net/qq_25737169/article/details/78857724
https://blog.csdn.net/qq_36747842/article/details/80880525
https://blog.csdn.net/liuweizj12/article/details/73741434