GAN網絡，第一次聽說它就不明覺厲。其他網絡都是對輸入圖像進行某種處理，得到某種特定的輸出。而GAN網絡居然可以“無中生有”，無論是去除馬賽克，還是換臉，還是對灰度圖像上色，都顯得不可思議，怎么可能憑空產生多余的信息？

在做了一點初步的了解之后發現，GAN網絡確實和直觀的感覺一樣，它不需要帶標簽的圖像進行訓練，這也是它得到Yann Lecunc稱贊為機器學習十年來最有意思的想法的原因，它使無監督學習成為可能。但作為一個機器學習方法，它依然應該有機器學習的三要素：模型，策略，算法。先再介紹一下GAN網絡的基本情況，再來從三要素分析之。

GAN網絡（Generative Adversarial Networks），生成對抗網絡，由lan Goodfellow在2014年提出，發表在NIPS會議（神經信息處理系統大會）上。https://arxiv.org/abs/1406.2661

模型

GAN網絡使用了兩個模型，一個是生成器Generator（屬于生成模型），一個是鑒別器Discriminator（屬于判別模型）。兩個模型的關系是相互對抗又相互促進，就像軍備競賽一樣，這也是這個網絡名字的由來。生成器使用隨機噪聲或者潛在變量生成逼真的樣本。鑒別器實質就是一個二分類器，判斷當前輸入是真實樣本還是仿冒樣本。

下面是GAN網絡的基本架構。

?

從圖中可以看到GAN網絡基本分為G和D兩部分。G和D有時相連接，有時斷開，這時D的輸入是真正的樣本（但是不帶標簽）。這種特殊的連接關系實際是之后要講的訓練方法：單獨交替迭代訓練。

策略

訓練的結果，這兩個模型會達到納什均衡，鑒別器再也分不清楚生成器生成的樣本是真是假，若分類器是軟判決的，那么輸出的概率都分布在0.5附近，距離1和0的距離相同。

納什均衡是博弈學中的一個概念，被廣泛應用于經濟學中。比如兩個廠商，它們的定價策略有各種組合形式，那么存在這么一直策略組合是穩定的，在這種局面下，任何一方單獨改變策略，都無法獲得收益，于是沒有哪一方會主動改變策略，從而繼續維持穩定。GAN就是生成器和鑒別器之間的博弈。考慮鑒別器D，我們站在鑒別器的角度考慮問題。輸出是概率，分布在0~1之間，1代表真實樣本，0代表假樣本，當D的輸入是真實樣本時，希望輸出越大越好；當D的輸入是生成器產生的假樣本時，希望輸出越小越好，即能正確識別真假。

考慮生成器G，我們希望G生成的樣本也可以以假亂真，被D判別為近似1。

算法

具體算法還需要研究作者的文章。在這里分析一下前面提到的單獨交替迭代訓練。鑒別器比較容易理解，就是一個帶監督的分類器。雖然說我們提供的樣本是沒有標簽的，那只是意味著我們不知道樣本圖像具體的類別，我們也不需要知道，我們只需要知道它是真樣本還是假樣本就可以了（把真/假作為標簽）。這時候鑒別器不需要和生成器相連。也可以理解為先固定生成器的參數，之后還要固定鑒別器的參數，更新生成器的權重。

對于生成網絡，就需要兩個模型相連，這樣我們才能得到反饋。這時候保持鑒別器D的參數不變，還需要注意的是要把生成器生成的結果的標簽置1，因為我們希望鑒別器能把它判為1，這樣把鑒別器的輸出一直逼近1就達到了訓練的目的。

鏈接中給了使用matlab的DeepLearnToolbox生成mnist圖像的例子。但是在github有說明這個項目已經不再維護，作者推薦使用Theano，torch，TensorFlow。

除了普通的GAN，還有條件GAN，讓生成的樣本符合我們的預期。這個條件可以是類別標簽（例如 MNIST 手寫數據集的類別標簽），也可以是其他的多模態信息（例如對圖像的描述語言）等。

使用方法分兩步

??? Download.

addpath(genpath('DeepLearnToolbox'));

然后就可以在test文件夾中運行測試用例了。

P.s 在matlab中使用自定義函數，要將函數定義在同名m文件中，用function修飾

Reference：

好在哪里 https://blog.csdn.net/heyc861221/article/details/80128351

單獨交替迭代https://blog.csdn.net/on2way/article/details/72773771

三篇文章https://www.cnblogs.com/Charles-Wan/p/623803html

DeepLearnToolbox：https://blog.csdn.net/zhenyu_zhang/article/details/78266415?locationNum=3&fps=1

總結

以上是生活随笔為你收集整理的了解GAN网络的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。