概念：
生成对抗网络（GAN，Generative Adversatial Networks）是一种深度学习模型，近年来无监督学习上最具前景的方法之一。
模型主要通用框架有（至少）两个模块：生成模型（generative）和判别模型（Discriminative）的互相博弈学习产生的相当好的输出。
原始GAN理论中，并不要求G和D都是神经网络，但使用中一般均使用深度神经网络作为G和D。
发展历史：
Ian J. Goodfellow在2014年《Generative Adversarial Networks》中提出的一个通过对抗过程估计生成模型的新框架。
框架中同时训练两个模型，捕获数据分布的生成模型G和估计样本来自训练数据的概率的判别模型D。G的训练程序是将D错误的概率最大化。
方法：
• GAN模型：
机器学习的模型可大体分为两大类，生成模型和判别模型。判别模型需要输入变量，通过某种模型来预测，生成模型则是给定某种隐含信息，来随机产生观测数据。
举例：
- 判别模型：给定一张图，判断这张图力的动物是猫还是狗
- 生成模型：给一系列猫的图片，生成一张新的猫咪（不在数据集里）
对于判别模型，损失函数是容易定义的，因为输出的目标相对简单。但对于生成模型，损失函数的定义就不是难么容易。我们对于生成结果的期望，往往是一个暧昧不清，难以数学公理化定义的范式。所以把生成模型的反馈部分交给判别模型处理。这就是把机器学习两大模型结合在了一起。
• GAN的原理：
以生成图片为例进行说明，假设我们有两个网络，G和D。他们的名字便暗示了功能：
- G 是一个生成图片的网络，它接收一个随机的噪声， 通过这个噪声生成图片。
- D 是一个判别网络，判别一张图片是不是”真实的“。它的输入参数是ｘ，ｘ代表一张图片，输出Ｄ（ｘ），表示真实图片的概率，如果是１，则就代表１００％是真实的图片。输出是０，则不是真实的图片。
有哪些常见的生成式模型于判别式模型？
- 一般来说，Logisitic Regression 、Linear regression、SVM、Traditional Nerual Networks、Nereast Neighbor、CRF等全部都属于判别式模型。
我们使用这些模型的时候，实际上只关心分类器的分界面 - 而Naïve Bayes 、Mixtures of Gaussians、HMMs、Markov Random Fields 是生成式模型，这些模式都需要估计概率密度。
左图是判别式模式，在学习SVM时，很熟悉了，只要界面分得开，模型性能就一定好。右边的时生成式模型。也可以用来分类，但是模型不会显示的估计出左边判别式中的分界面， 能够分类，是因为估计出了两个概率密度分布。 概率密度估计的准，分类器的性能就好。
• 各自的优劣
判别式：
- 优点：分类边界灵活，学习简单，性能一般由于生成式模型
- 缺点：只估计除了分界面，粗暴的解决了问题（知其然，不知其所以然）
生成式模型：
- 优点：收敛速度块，学习分布，估计隐变量
- 缺点：学习复杂
• 总结：
生成式模型可转变为判别式模型，反之不能。
主要是因为判别式模型是没有学习到数据本身的分布的，所以无法转为生成式模型，因为它没有联合概率密度。判别式基本上就是在硬学习整个数据的分界面。要见过所有样本，才能得到好的分界面。而生成模型，可能见一小部分样本，就能估计出概率密度分布。 那样就已经学习到了，迭代次数相对较少。
所以GAN = （生成式模型 + 判别式模型）集两家之所长，生成对抗网络。Generative 生成式模型，Adversarial 对抗，相爱相杀的过程。
在训练过程中，生成网络G的目标就是尽量生成真实的图片去欺骗判别网络D，而D的目标就是尽量把真实图片和G生成的图片区别开来，这样G和D就构成了一个动态的博弈过程。
• 最后博弈的结果？
理想状态下，G可以生成足以以假乱真的图片G（z）。对于D来说，它难以判定G生成的图片究竟是不是真实的，一次D（G（z）） = 0.5。
这样我们的目的就达成了，我们得到了一个生成式的模型G，他可以用来生成图片。
Goodfellow从理论上证明了该算法的收敛性，以及在模型收敛时，生成数据具有和真实数据相同的分布。
GAN公式：
公式中x表示真实图片，z表示输入G网络的早上，G（z）表示网络生成的图片，D（·）表示网络判断图片是否真实的概率。
D就是判别器。学习目标就是最大化上面的式子。G是生成器，目标就是最小化上面的式子。
• 应用：
1. 图像生成，目前GAN最常用的地方就是超分辨率任务，语义分割等等。
2. 数据增强。
3. 风格化
4. 创造性艺术
来源：CSDN，作者：Li_GaoGao，
原文：https://blog.csdn.net/legalhighhigh/article/details/81042905
版权声明：本文为博主原创文章，转载请附上博文链接！
