一.GAN网络机理
首先先从一幅图入手，如图1所示：
图1. GAN作用机理
假设在训练开始时，真实样本分布、生成样本分布以及判别模型分别是图中的黑线、绿线和蓝线，其中噪声就是图中的z，目的就是为了生成绿线。
第二小图所示，固定生成样本，先让判断器判断准，以蓝线和黑线交点为起点，以右判断为真实，以左判断为假，感觉自己很聪明能够判断真假。
然后来到第三小图，生成器去和真实样本数据做一个拟合，从而误导判决器，但判决器还是能辨认出来，生成器骗不了它。
第四小图为，当生成器的数据概率分别和真实数据概率分布重合时，判决器从此就变得傻了，不能对其辨别真伪，判决器失败，生成器成功，以假乱真。
二.分析问题
图2为GAN流程图：
图2 GAN大体流程
我们有了上述思路和流程图，就可以来确定问题去实现它了~（明确几个问题去解决）：
1. 目标函数该如何设定？
2. 如何生成图片？
3. G(判决器)和D(生成器)应该如何设置？
4. 如何进行训练？
1.GAN目标函数确定
判别模型的目标函数如下：
判别模型目标函数
1. 整个式子由两项构成。x表示真实图片，z表示输入G网络的噪声，而G(z)表示G网络生成的图片。
2. D(x)表示D网络判断真实图片是否真实的概率(因为x就是真实的。所以对于D来说，这个值越接近1越好)。而D(G(z))是D网络判断G生成的图片的是否真实的概率。
3. G的目的：G应该希望自己生成的图片越接近真实越好。
4. D的目的：D的能力越强，D(x)应该越大，D(G(x))应该越小。这时V(D,G)会变大。因此式子对于D来说是求最大(max_D)
5. trick:为了前期加快训练，生成器的训练可以把log(1-D(G(z)))换成-log(D(G(z)))
2.GAN图片生成 训练方法
以下为论文原文：
刚开始看是不是感觉不知如何下手，那么接下来换一种方式来看待它。
下图为形象化的GAN训练方案
形象化的训练方案
input1为真实数据；input2为生成数据
对于判决器而言，其标签认定，对于input1的输出正常应该为“1”，input2的输出正常应该为“0”
第一步，首先把左图的“T”（生成器）固定住，生成一批样本，然后和真实数据一块送至判决器判决，这步为训练的判决器，希望判决器能把它俩区分开，分别打上“1”和“0”标签
第二步，先把右图的“T”（判决器）固定住了，然后调节生成器，让生成的数据也为“1”，去把判决器混淆。这步为训练生成器。
注：我们所有的图片都是靠噪音来生成的
本文中展示的脚本都添加了注释，若难以理解，可参见keras文档
具体代码，参见github源码
3.GAN图片生成 生成器G
设置生成器G
以下是生成器G的脚本：
4.GAN图片生成 判别器D
参见github源码：https://github.com/jacobgi
设置判别器D
以下是判别器D的脚本：
5.GAN图片生成 辅助函数
把判别器D固定，使其能够调整生成器G。
6.GAN图片生成 训练
然后就可以开始进行训练了~~~
7.GAN图片生成 生成
这就形成了噪音经过一个G网络，生成了一个图像，这幅图像就成功骗过了判决器D。
三.总结
以上就是浅谈了GAN网络的原理，并且搭建了一个原始的GAN网络。希望和大家共同努力进步。
感兴趣的小伙伴~可以实现CGAN制定类的输出，DCGAN稳定训练网络，infoGAN实现等~~~
作者：hahazhen
链接：https://www.jianshu.com/p/51f969b7922f
随时随地看视频
