gan模型架構涉及兩個子模型：用於生成新示例的生成器模型和用於對生成器示例生成的示例進行判斷是真實的還是偽造的的鑑別其模型。
生成器和鑑別器這兩個模型是一起訓練的。生成器生成一批樣本，並將這些樣本以及該域中的真實示例提供給鑑別器，並分類為真實或偽造。舉乙個栗子：生成器相當於偽造者努力造成成像真實貨幣的金錢，鑑別器相當於警察，努力學習辨別真假貨幣。兩個模型相互競爭，在博弈論意義上是對抗性的。他們在玩zero-sum game，zero-sum game意味著當鑑別器成功識別真實或偽造樣本時，將獲得獎勵或不需要對模型引數進行任何更改，而生成器回對模型引數進行大的更新而受到懲罰。獎勵與懲罰的和為零。
[訓練]促使鑑別器嘗試學習正確地將樣本分類為真實或假樣本。同時，生成器嘗試欺騙分類器，使其認為其樣本是真實的。收斂時，生成器的樣本與真實資料是無法區分的，鑑別器到處輸出1/2。然後可以將鑑別器丟棄。
條件生成對抗網路
如果生成器和鑑別器都以某些額外資訊y為條件，則生成對抗網路可以擴充套件為條件模型。y可以是任何種類的輔助資訊，例如類標籤或其他形式的資料。我們可以通過將y作為附加輸入層輸入到鑑別器和生成器中來執行調節。在用於影象到影象翻譯的條件gan的情況下，例如將白天轉換為晚上，向鑑別器提供了真實和生成的夜間**以及（以）實時白天**為輸入的示例。為生成器提供了來自潛在空間的隨機向量，以及（以）實時日照為條件（作為條件）作為輸入。
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...
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 ...