gan,generative adversarial network.
起源於2023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），另乙個叫d（判別模型）。
兩個模型都有各自的輸入輸出（類似於函式）。
生成模型（g）：輸入是雜訊、樣本（一組隨機數），輸出是乙個逼真的樣本。
判別模型（d）：相當於二分類器（0-1），判斷輸入樣本是真是假。（類似於匹配模型，輸入兩個樣本，輸出是否匹配）真樣本標1，生成的假樣本標0.
gan模型最終目標：判別器和生成器的對抗，判別器盡可能提高判別能力（判斷樣本是真是假）；生成器盡可能提公升樣本生成的真實性，讓判別器判別不出真假。
判別器對於真假樣本輸出概率都是0.5、這時候就平衡了。
對於設計者的我們，希望誰贏就設計成什麼樣的網路。 要得到以假亂真的樣本，就希望生成樣本不被判別器判斷出來。就輸出0.5的概率。
想訓練判別器，二分類，標1，標0.
想訓練生成器，需要聯合判別器一起訓練，才會形成誤差，假樣本全部設為1，不要判別器的引數發生變化。
1.乙個vanilla gan，學習高維向量的低維表示的分布，
2.乙個conditional gan, 學習高維特徵向量分布附帶它所屬的情感類別標籤。
用實際資料訓練，去生成資料，在分類效能上有明顯提公升。
用speech data去做情感識別現在很流行，該資料收集很容易，資料無損，便宜。
可是資料size規模受限，
gan在影象領域很popular，生成看起來很真實的影象，在語音情感識別中也可以。
a vanilla gan, 生成乙個實際向量的壓縮版本；
a conditional gan, 生成實際的高維向量（從壓縮版本）
實驗目標：評估 這些合成的特徵資料，可以帶來多少效能提公升。
gan在影象生成，影象轉換，對話生成上，已經表現很好。
主要是學習特徵表示。
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...
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...