*****原文:generative adversarial networks模型組成
核心公式
演算法圖示化描述
全域性最優點 pg pdata
效果與對比展望
ming
maxdv(
d,g)
=exp
data
(x)[
logd
(x)]
+exp
x(x)
[log
(1−d
(g(z
)))]
分析：
上方為 gan 網路的核心演算法，幾點注意事項
圖示中:
從過程上：
也可認為上面核心公式結果為0.5首先我們假定： d∗
g(x)
=pda
ta(x
)pda
ta(x
)+pg
(x)
這裡pda
ta(x
) 是來自真實資料樣本數，pg
(x) 是來自生成資料的樣本數.
這裡我們可以對核心函式v(
g,d)
進行改寫：
這裡首先把v(
g,d)
式根據各自的資料集求積分得到全域性情況。同時由於對那個變數積分對積分結果無影響。所以把 z更名為x然後做抽象: y=
alog
(y)+
blog
(1−y
)(4) 當
(a,b
) 都屬於二維實數平面時4式在[0
,1] 內的最大值點為aa
+b同時我們也可以從期望的角度重寫 v 式：
此時當pg=
pdat
a 時，d∗
g(x)
=12 ,c(
g)=l
og12
+log
12=−
log4
我們此時可以將 c 式子改寫為
因為當 g 資料分布於 d 分布不均時，就需要c 就需要加上關於pd
ata 與pg
各自的kl 散度，也就是
定值加上兩者的jsd 散度
由於js 散度不為負數且當pg
=pda
ta時為0（分布相同）.
於是得出題設的答案
在當時作者最後提出幾個重點展望
乙個條件模型使得有參量c可以隨時被注入於模型 g 和 d
半監督學習的提出
後期**dcgan為gan與cnn結合提供了具體實現方案。
GAN 生成對抗網路
原理 假設我們有兩個網路 乙個生g generator 乙個判別d discriminator g是乙個生成的的網路，它接受乙個隨機的雜訊z，通過這個雜訊生成，記做g z d是乙個判別網路，判斷一張是不是 真實的 它的輸入引數是x，x代表一張的。輸出d x 代表x為真實的概率，如果為1，就代表100...
GAN（生成對抗網路）
gan,generative adversarial network.起源於2014年，nips的一篇文章，generative adversarial net.gan,是一種二人博弈的思想，雙方利益之和是乙個常數，是固定的。你的利益多點，對方利益就少點。gan裡面，博弈雙方是 乙個叫g 生成模型 ...
生成對抗網路 GAN
機器學習中的模型一般有兩種 1.決策函式 y f x 2.條件概率分布 p y x 根據通過學習資料來獲取這兩種模型的方法，可以分為判別方法和生成方法。判別方法是由資料直接學習決策函式或條件概率分布作為 模型，即判別模型 而生成模型是由資料學習聯合概率分布 p x,y 然後由 p y x p x,y...