網上看了很多教程結合自己理解整合了一下。
原文**，看了很多篇中通俗易懂的。
判別模型：比作乙個二分類器（如同0-1分類器），來判斷輸入的樣本是真是假。（就是輸出值大於0.5還是小於0.5）;
比如上面的這個圖，我們有的只是真實採集而來的人臉樣本資料集，僅此而已，而且很關鍵的一點是我們連人臉資料集的類標籤都沒有，也就是我們不知道那個人臉對應的是誰。
我們要得到什麼
至於要得到什麼，不同的任務得到的東西不一樣，我們只說最原始的gan目的，那就是我們想通過輸入乙個雜訊，模擬得到乙個人臉影象，這個影象可以非常逼真以至於以假亂真。
生成網路的目的：生成網路是造樣本的，它的目的就是使得自己造樣本的能力盡可能強，強到什麼程度呢，你判別網路沒法判斷我是真樣本還是假樣本。
gmaxdv
(d,g
)=ex
∼pda
ta(x
)[lo
g(d(
x))]
+ez∼
pz(z
)[lo
g(1−
d(g(
z)))
]mingmaxdv(d,g)=ex∼pdata(x)[log(d(x))]+ez∼pz(z)[log(1−d(g(z)))]dv
(d,g
)=ex
∼pda
ta(x
)[lo
g(d(
x))]
+ez∼
pz(z
)[lo
g(1−
d(g(
z)))
]maxdv(d,g)=ex∼pdata(x)[log(d(x))]+ez∼pz(z)[log(1−d(g(z)))]gv
(d,g
)=ez
∼pz(
z)[l
og(1
−d(g
(z))
)]mingv(d,g)=ez∼pz(z)[log(1−d(g(z)))]
對抗生成網路（GAN）學習筆記
判別模型 由資料直接學習決策函式y f x 或條件概率分布p y x 作為 模型，即判別模型。判別方法關心的是對於給定的輸入x，應該 什麼樣的輸出y。生成模型 由資料學習聯合概率分布p x,y 然後由p y x p x,y p x 求出概率分布p y x 作為 的模型。該方法表示了給定輸入x與產生輸...
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...
生成對抗網路 GAN
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...