GAN生成对抗网络介绍
系列文章目录
目录
前言
二、组成
三、思想
四、应用
五、基本原理
1、生成器G
2、判别器D
3、训练过程
4、核心公式（目标函数或者损失函数）
总结
前言
生成对抗网络（Generative Adversarial Networks，简称GANs）是由Ian Goodfellow等人在2014年提出的一种深度学习模型。它由两部分组成：生成器（Generator）和判别器（Discriminator），两者在训练过程中相互竞争，从而提高生成数据的质量和判别数据真伪的能力。
一、GAN是什么？
Generative Adversarial Networks ,生成对抗网络是一种深度学习模型。
二、组成
生成器和判别器。
三、思想
通过生成器和判别器之间的对抗过程，使得生成器能够生成以假乱真的数据，而判别器则努力区分真实数据和生成的数据。这个过程类似于一个零和博弈，其中两个网络不断优化自己来提高对抗能力。
四、应用
生成人脸照片、生成物品和场景案例、图像转换。
五、基本原理
1、生成器G
负责从随机噪声中生成新的数据样本，他的目标是生成能够欺骗判别器的数据。
2、判别器D
负责判断输入的数据是真实的还是由生成器生成的，他的目的是正确区分真实数据和生成的数据。
3、训练过程
在训练开始时，生成器和判别器的能力都很弱，通过交替训练这两个网络，判别器逐渐学会区分真实数据和生成数据，而生成器则学会成为更真实的数据以欺骗判别器。
这个过程通过最小化生成器和判别器之间的差异来进行，最终目标是使判别器无法区分真实数据和生成的数据，即达到纳什均衡。
4、核心公式（目标函数或者损失函数）
