论文笔记：Generative Adversarial Nets
Generative Adversarial Nets
概念
提出了一种模拟二人博弈的对抗模型，对抗双方分别为：
- 生成模型G：尽量使生成数据与训练集接近，使D无法区分
- 判别模型D：学习判断数据来自训练集还是由*生
本文中用两个多层感知机作为生成模型和判别模型，生成模型加入了随机噪声。
对抗网络
生成模型，在参数Θg条件下根据噪音z生成数据。
判别模型，判断参数Θd条件下输入数据x来自数据集而不是由G生成的概率。
训练判别模型时最大化判断正确的概率，训练生成模型时最小化
总体而言，即为：
训练时每训练k次判别模型D后训练一次生成模型G：
变化过程如下图，其中蓝色虚线为判别分布，黑色点线为样本数据分布，绿色实线为生成数据分布，下半部分为z到x的映射x=G(z)：
a状态为起始状态，经过对判别网络D的训练到达b状态，在经过对生成网络G的训练时生成数据分布接近样本数据分布到达c状态，最后经过多次训练后生成数据分布与样本数据相同，D(x)=1/2。
效果
经过训练后的生成网络效果：