GAN 初学者指南

GAN是一个非常巧妙并且非常有用的模型。当有大量关于 GAN 的论文时，但是你会发现这些论文通常很难理解，你可能会想要一些对初学者更友好的东西。所以本文的对非传统机器学习人员来说，是我能想到的最好的例子。

什么是 GAN？

GANs 或 Generative Adversarial Networks 是一类机器学习技术，由两个网络组成，相互进行对抗性学习。

这一切都是为了创造。 音乐？ 绘画？ 不存在的人的可怕逼真的照片？ 大声笑等等。

GAN中的网络一个被称为 Generator，可以将其视为一种伪造者，第二个称为 Discriminator，可以将其视为侦探。 生成器的主要目标是生成逼真的图像，而鉴别器则试图区分真假图像。

假设生成器正在尝试创建猫的图片，而鉴别器必须确定它是真正的猫还是 AI 生成的。

它是如何工作的？

判别器和生成器都在开始时随机初始化并同时进行训练。 开始时生成器只产生一些随机噪声，经过训练在创建逼真的图像方面越来越好，而鉴别器在区分它们方面越来越好。 在模型达到平衡后，鉴别器就无法区分真实图像和假图像。 在推理阶段，我们不再需要判别器，只是用生成器进行工作。

生成器试图最小化以下函数，而鉴别器试图最大化它：

损失函数，D(y) 是判别器对真实数据实例 y 为真实的概率的估计。 G(z) 是给定噪声 z 时生成器的输出。 D(G(z)) 是鉴别器对假实例是真实的概率的估计。

简单来说，生成器目的是希望欺骗鉴别器让其相信输出是真实的，这意味着生成器的权重经过优化，以最大限度地提高此处任何假图像输出属于真实数据集的概率，而判别器应该最小化相同的概率。 生成器不能直接影响函数中的 log(D(x)) 项，因此对于生成器来说最小化损失相当于最小化 log(1-D(G(z)))。

生成模型一般基于马尔可夫链、最大似然估计(maximum likelihood estimation, MLE)和近似推理，其似然值在区间[0,1]内。

在均衡时D输出1/2，因为鉴别器不能区分生成的虚假数据和真实数据。

在无监督学习(数据没有标签)中，我们选择G生成的数据有0标签表示false(不管discriminator返回什么)，真正的学习数据有1标签表示true。所以GAN的损失函数是下面这样的：

# Wasserstein losses from `Wasserstein GAN` (//p1-tt.byteimg.com/origin/tos-cn-i-qvj2lq49k0/37cf4c51723e4d2e90686f94be6a9489.jpg" style="width: 650px;">

GAN 与以前的生成方法（例如变分自动编码器或受限玻尔兹曼机）相比，已经显示出令人印象深刻的改进。 GAN在计算机视觉、信号处理、图像合成和编辑语音处理等各个领域已经有很多应用的例子，例如文本到图像的合成、图像到图像的翻译以及许多潜在的医学应用。

正因为如此，所以GAN也出现了很多变体，例如下图是 CycleGAN 做的一些很酷的事情

最后，如果你对GAN比较感兴趣，这里有个项目使用Pytorch实现了30多个GAN的经典论文，有兴趣的可以看看：

https://github.com/eriklindernoren/PyTorch-GAN

作者：Simran Sachdeva