生成式对抗网络GAN（一）
上面这张图很好的很好的阐述了生成式对抗网络的结构~~ 博弈论
此图给出了生成性对抗网络的概述。目前最重要的是要理解GAN是使两个网络协同工作的一种方式 - 而Generator和Discriminator都有自己的架构。为了更好地理解这个想法的来源，我们需要回忆一些基本的代数并问自己 - 我们怎么能欺骗一个比大多数人更好地分类图像的神经网络？
在我们详细描述GAN之前，让我们看一下类似的主题。给定一个训练有素的分类器，我们可以生成一个欺骗网络的样本吗？如果我们这样做，它会是什么样子？
事实证明，我们可以。
甚至更多 - 对于几乎任何给定的图像分类器，可以将图像变换为另一个图像，这将被高度置信地错误分类，同时在视觉上与原始图像无法区分！这种过程称为对抗性攻击，生成方法的简单性解释了很多关于GAN的内容。
精心计算的示例中的对抗性示例，其目的是错误分类。以下是此过程的说明。左边的熊猫与右边的熊猫无法区分 - 但它被归类为长臂猿。
图像分类器本质上是高维空间中的复杂决策边界。当然，在对图像进行分类时，我们无法绘制这个边界。但我们可以安全地假设，当训练结束时，网络并不是针对所有图像进行推广的 - 仅针对我们在训练集中的那些图像。这种概括可能不是现实生活的良好近似。换句话说，它适用于我们的数据 - 我们将利用它。
让我们开始为图像添加随机噪声并使其非常接近零。我们可以通过控制噪声的L2范数来实现这一点。数学符号不应该让您担心 - 出于所有实际目的，您可以将L2范数视为向量的长度。这里的诀窍是你在图像中拥有的像素越多 - 它的平均L2范数就越大。因此，如果噪声的范数足够低，您可以预期它在视觉上难以察觉，而损坏的图像将远离矢量空间中的原始图像。
为什么？
好吧，如果HxW图像是矢量，那么我们添加到它的HxW噪声也是矢量。原始图像具有相当密集的各种颜色 - 这增加了L2规范。另一方面，噪声是一组视觉上混乱的相当苍白的像素 - 一个小范数的矢量。最后，我们将它们添加到一起，为损坏的图像获取新的矢量，这与原始图像相对接近 - 但却错误分类！
现在，如果原始类 Dog 的决策边界不是那么远（就L2范数而言），这种加性噪声将新图像置于决策边界之外。
您不需要成为世界级拓扑学家来理解某些类别的流形或决策边界。由于每个图像只是高维空间中的矢量，因此在其上训练的分类器将“所有猴子”定义为“由隐藏参数描述的该高维斑点中的所有图像矢量”。我们将该blob称为该类的决策边界。
好的，所以，你说我们可以通过添加随机噪声轻松欺骗网络。它与生成新图像有什么关系？
现在我们假设有两个结构模型，相当于两个神经网络：
这是关于判别网络D和生成网络G的价值函数（Value Function），训练网络D使得最大概率地分对训练样本的标签（最大化log D(x)），训练网络G最小化log(1 – D(G(z)))，即最大化D的损失。训练过程中固定一方，更新另一个网络的参数，交替迭代，使得对方的错误最大化，最终，G 能估测出样本数据的分布。生成模型G隐式地定义了一个概率分布Pg，我们希望Pg 收敛到数据真实分布Pdata。论文证明了这个极小化极大博弈当且仅当Pg = Pdata时存在最优解，即达到纳什均衡，此时生成模型G恢复了训练数据的分布，判别模型D的准确率等于50%。
接着上面最后一个问题：怎么才能生成我指定的图像呢？
指定标签去训练
顾名思义就是把标签也带进公式，得到有条件的公式：
具体怎么让CGAN更好的优化，这里不解释，就是平常的优化网络了。
参考文章：
本文大部分翻译此外文
通俗易懂
小博客的总结
唐宇迪大神
gan是什么意思gan的意思
1、gan的意思是生成式对抗网络。2、生成式对抗网络（GAN,GenerativeAdversarialNetworks）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。3、模型通过框架中（至少）两个模块：生成模型（GenerativeModel）和判别模型（DiscriminativeModel）的互相博弈学习产生相当好的输出。原始GAN理论中...
简述gan的原理
1、GAN全称为生成式对抗网络，是一种深度学习模型。基本原理是让两个神经网络相互对抗，从而生成逼真的图像、音频或文本等数据。具体说，GAN包括一个生成器和一个辨别器。生成器的任务是生成数据分布，而辨别器的任务是判定输入的数据分布是真实的还是生成的。2、在对抗过程中，生成器试图生成逼真的数据来...
生成对抗网络(GANs)—— WGAN 介绍
在深入探讨生成对抗网络（GANs）的世界中，我们曾揭示了它们面临的模式崩溃和梯度消失挑战。今天，我们将聚焦于Wasserstein GAN（WGAN），一种旨在解决这些问题的创新模型。WGAN的创新之处在于其独特的理论基础，它摒弃了经典GAN中的 Jensen-Shannon散度（JS散度），转而采用 Wasserstein 距离（W距离），也称...
GAN万字长文综述
GAN，全称生成对抗网络，以其独特的方式在各个领域展现了强大的潜力。本文将深入探讨其最新进展，从基础理论到实用应用，为你揭示这个前沿技术的奥秘。[1]首先，稳定训练一直是GAN的关键挑战。LSGAN（Least Squares GAN）通过最小二乘损失[2]，巧妙地规避了传统GAN中sigmoid交叉熵损失可能导致的梯度饱和问...
生成对抗网络(GAN)中提到的隐空间(latent space)是什么意思?
在GANs的探索旅程中，理解并熟练运用隐空间，是解锁数据生成艺术的关键所在。总的来说，隐空间是生成对抗网络中的一个核心概念，它连接着潜在的隐变量世界和可见的数据现实，是创造、探索和理解复杂数据分布的神秘领域。通过这个空间，GANs能够魔术般地绘制出无限精彩的数字画卷。
gan网络什么意思
生成对抗网络，常用于图像生成。G是生成器（生成那个单词你可以自己查），A是鉴别器，N是network。通过生成器和鉴别器对抗的方式来生成逼真的数据，比如说生成图片。更详细的可以追问我
GAN-生成对抗性神经网络
探索深度：GAN的革命性之旅 2014年，神经网络领域的革命者Goodfellow揭开了GAN（生成对抗性网络）的神秘面纱，它以对抗性训练的创新方式，让生成器G和判别器D展开了一场智能博弈。GAN的核心在于，G通过输入随机噪声z生成图像，而D则作为裁判，判断这些图像的真实性。它们的目标是相互博弈，直至达到一个微妙...
生成式对抗网络GAN(一)
上面这张图很好的很好的阐述了生成式对抗网络的结构~~ 博弈论 此图给出了生成性对抗网络的概述。目前最重要的是要理解GAN是使两个网络协同工作的一种方式 - 而Generator和Discriminator都有自己的架构。为了更好地理解这个想法的来源，我们需要回忆一些基本的代数并问自己 - 我们怎么能欺骗一个比大多数...
生成式对抗网络GAN最近在NLP领域有哪些应用
GAN最开始是设计用于生成连续数据，但是自然语言处理中我们要用来生成离散tokens的序列。因为生成器(Generator，简称G)需要利用从判别器(Discriminator，简称D)得到的梯度进行训练，而G和D都需要完全可微，碰到有离散变量的时候就会有问题，只用BP不能为G提供训练的梯度。在GAN中我们通过对G的参数进行微小的...
GAN生成对抗网络(一)
在GAN发明之前，变分自编码器被认为是理论完美、实现简单，使用神经网络训练起来很稳定， 生成的图片逼近度也较高， 但是人类还是可以很轻易地分辨出真实图片与机器生成的图片。生成对抗网络包含了 2 个子网络： 生成网络(Generator， G)和判别网络(Discriminator，D)， 其中生成网络负责学习样本的真实分布，...
段干庙次水： 什么是区块链技术?每一个行业的人士理解不一样,相关的解释也因为现实应用越来越多而渐渐浮出水面,随着这种区块链技术的普及,相关的成果也是越来越大.我们要想理解这种技术就要从现实当中去深入的了解.我国目前经济社会信用环...
双鸭山市19526394211： 生成式对抗网络GAN在NLP领域最近有哪些应用 - ？
段干庙次水： 1. GAN最开始是设计用于生成连续数据,但是自然语言处理中我们要用来生成离散tokens的序列.因为生成器(Generator,简称G)需要利用从判别器(Discriminator,简称D)得到的梯度进行训练,而G和D都需要完全可微,碰到有离散变量...
双鸭山市19526394211： 生成对抗网络相比传统训练方法有什么优势 - ？
段干庙次水： 个人感觉,gan之所以比其他生成模型更优秀,是因为gan在本质上相当于最优化js距离而不是kl距离.虽然后者会得到一个更general的分布,但是从生成角度来讲,一个special的分布更能使人感到生成的数据更佳“真实”.
双鸭山市19526394211： 目前进行图像处理,通常使用什么神经网络 - ？
段干庙次水： 图像处理最常用的是卷积神经网络(CNN),有时也会用到生成式对抗神经网络(GAN).
