生成对抗网络图像扩充 生成对抗网络模型

生成式对抗网络（Generative Adversarial Networks，GAN）

主要通过模型中两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出

判别模型的任务就是判断一个实例是真实的还是由模型生成的；生成模型的任务就是生成一个实例来骗过判别模型，两个模型相互对抗，最后会达到一个平衡，即生成模型生成的实例与真实的没有区别，判别模型无法区分输入数据是生成的还是原始真实的数据

把GAN想象成是伪造大师和鉴宝专家之间的博弈，生成模型（generator）就相当于伪造大师，判别模型（discriminator）相当于鉴宝专家。Generator目的就是把假古董造的更像真的一样，从而骗过鉴宝专家；鉴宝专家则需要不断提高自己的鉴宝能力，尽可能的做出正确判断

生成模型G是指能够随机生成观测数据的模型，尤其是在给定某些隐含参数的条件下。在GAN中，可以理解为输入一个vector，生成一个图片、语音、文本等有结构的输出

判别模型D是一种对未知数据与已知数据之间关系进行建模的方法，在GAN中，可以理解为判别器建立了训练数据与生成器输出的数据的关系，按训练数据的标准为生成的数据打分

以图像的生成为例：

• G负责生成图片。接收一个随机的噪声z，通过z生成图片G(z)；
• D负责判别一张图片是不是“真实的”。输入是一张图片x，输出D(x)表示x为真实图片的概率，如果为1，代表是真实图片的概率为100%，而输出为0，代表不可能是真实的图片。

知道了生成器和判别器是什么，那么他们是怎么配合工作来推动GAN的学习的呢？

以学习画二次元人物头像为例：

1. 第一步：我们最开始画人物头像只知道有一个头的大致形状，用笔也不行，画出来的一片糊，老师搭眼一看，垃圾！噼里啪啦给我们10个大嘴巴子，老师的快乐+10，我们的快乐-10；
2. 第二步：我们痛定思痛，努力学习，画出的头像好多了，甚至还能看到水灵灵的大眼睛，老师参考一下二次元美图：鼻子呢！噼里啪啦给我们9个大嘴巴子，老师的快乐+9，我们的快乐-9；
3. 第三步：我们进步了！老师又学习了一会二次元美图说：“我觉得不行”，噼里啪啦给我们8个大嘴巴子，老师的快乐+8，我们的快乐-8；

就这样一步一步，老师觉得我们画的头像和真正的二次元美图一样美的时候，就不再抽我们大嘴巴子，我们终于出师了，是一个合格的生成器了！（这里的老师就是判别器，判别器也是需要学习的，虽然老师水平高，但他不学习也不一定知道什么是美丽的二次元头像）

生成器和判别器通过零和博弈来学习：

零和博弈（zero-sum game），又称零和游戏，是博弈论的一个概念，属非合作博弈

它是指参与博弈的各方，在严格竞争下，一方的收益必然意味着另一方的损失，博弈各方的收益和损失相加总和永远为“零”，可以说自己的幸福是建立在他人的痛苦之上的，二者的大小完全相等，因而双方都想尽一切办法以实现“损人利己”

在上面的例子中，老师（判别器）抽我们（生成器）大嘴巴子，抽的越多他的快乐越多，我们的快乐越少，我们通过和老师博弈改变双方的快乐，但快乐数值的总和一直都是零，这就是判别器和生成器的零和博弈，这种博弈的关系也是GAN中“Adversarial”的由来

GAN算法流程

-初始化generator G 和discriminator D

-每一次迭代过程中：

• 固定 G， 只更新 D 的参数。从你准备的数据集中随机选择一些，再从 G 的output中选择一些，现在等于 D 有两种input。接下来，D 的学习目标是, 如果输入是来自于真实数据集，则给高分；如果是 G 产生的数据，则给低分，可以把它当做一个回归问题或分类问题
• 固定住 D 的参数, 更新 G 。将一个向量输入 G， 得到一个output， 将output扔进 D , 然后会得到一个分数，这一阶段 D 的参数已经固定住了，G 需要调整自己的参数使得这个output的分数越大越好，希望能骗过判别器