前言

Generative Adversarial Nets，生成对抗网络，也就是大家经常听到的 GAN，由Ian Goodfellow于2014年首先提出，之后迅速风靡学术圈。就连深度学习先驱之一的Yann LeCun也给予了高度评价，认为"GAN及其变种是数十年来机器学习领域最有趣的点子"。有关GAN的研究层出不穷，仿佛没有什么是“GAN”不出来的。

发展现状

根据GAN的发展情况，梳理相关内容：

名称	发表时间	解决问题	中文名称	论文链接
GAN	10 Jun 2014	GAN系列的开山之作	生成对抗网络	https://arxiv.org/pdf/1406.2661.pdf
CGAN	6 Nov 2014	原始GANs通过输入随机噪声来生成数据，但是无法指定生成内容。CGAN通过将一个one-hot向量连接到输入的随机噪声以告诉生成器生成特定类别的图像，从而解决输出不可控的问题。	条件生成对抗网络	https://arxiv.org/pdf/1411.1784.pdf
DCGAN	19 Nov 2015	原始GANs不一定使用基于卷积的操作，而是依赖于标准的多层感知器架构。DCGAN通过巧妙的设计卷积网络和采用策略改进原始GANs。	深度卷积生成对抗网络	https://arxiv.org/pdf/1511.06434.pdf
CoGAN	24 Jun 2016	比一个GAN更好的是什么？两个GAN！CoGAN所训练的就是两个GAN而不是一个。	耦合生成对抗网络	https://arxiv.org/pdf/1606.07536v2.pdf
CycleGAN	30 Mar 2017	CycleGAN 致力于解决图像到图像映射的问题，主要用于风格迁移。可以进行未配对的图像到图像的转换。	Cycle生成对抗网络	https://arxiv.org/pdf/1703.10593.pdf
WGAN	26 Jan 2017	WGAN提出了一种新的损失函数，有着非常好的性质。	Wasserstein 生成对抗网络	https://arxiv.org/pdf/1701.07875.pdf
ProGAN	27 Oct 2017	ProGAN通过增加生成图像的分辨率来帮助稳定 GAN的训练。	生成对抗网络的渐进式增长	https://arxiv.org/pdf/1710.10196.pdf
SAGAN	21 May 2018	SAGAN 使用了自注意力机制。	自注意力生成对抗网络	https://arxiv.org/pdf/1805.08318.pdf
BigGAN	28 Sep 2018	大Batch Size，采用先验分布 z 的“截断技巧”，对模型稳定性的控制。	大生成对抗性网络	https://arxiv.org/pdf/1809.11096.pdf
StyleGAN	12 Dec 2018	StyleGAN 不专注于架构和损失函数，而是改进了GANs对生成的图像进行精细控制的能力 。它可以与任何GAN一起使用。	基于风格的生成对抗网络	https://arxiv.org/pdf/1812.04948.pdf
···	···	···	···	···

论文《Generative Adversarial Nets》探秘

一、什么是GAN？

百度百科：生成式对抗网络（GAN, Generative Adversarial Networks ）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。模型通过框架中（至少）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。原始 GAN 理论中，并不要求 G 和 D 都是神经网络，只需要是能拟合相应生成和判别的函数即可。但实用中一般均使用深度神经网络作为 G 和 D 。一个优秀的GAN应用需要有良好的训练方法，否则可能由于神经网络模型的*性而导致输出不理想。

百科中大致说明了GAN的结构、核心思想和问题。
GAN由两个部分组成：

• 生成器 Generator，例如生成一张新的猫咪图片（不在数据集里）
• 判别器 Discriminator，例如给定一张图，判断这张图里的动物是猫还是狗
  

核心思想：
零和博弈，通过让生成器 Generator和判别器 Discriminator相互对抗，Generator试图生成接近真实的数据，Discriminator试图区分真实的数据和由Generator生成的数据。最终达到一个“平衡”，即Generator生成的数据足够真实，Discriminator只是是随机猜测，无法再区分真实数据与生成数据的区别。

存在的问题：

• 难训练
• 有模式崩溃(Model Collapse)的可能

二、能GAN什么？

• 图像生成
  GAN最常使用的地方就是图像生成，如超分辨率任务，语义分割等等。
• 数据增广
  对于小数据集，数据量不足，可以通过使用GAN生成的图像来做数据增广。

三、GAN的原理

真实数据集的分布为$P_{data}(x)$Pdata​(x)，对于生成器Generator而言，它的目标是希望能够学习到真实样本的分布，这样就可以随机生成以假乱真的样本。

给定输入噪声 $P_z(z)$Pz​(z)，现有的 Generator 生成的数据分布假设为$P_G(z;θ_g)$PG​(z;θg​)，这是一个由 $θ_g$θg​控制的分布，$θ$θ是这个分布的参数（如果是高斯混合模型，那么$θ$θ就是每个高斯分布的平均值和方差）。然后定义判别器$D(x; θ_d)$D(x;θd​)，其中$D(x)$D(x)表示$x$x来自$P_{data}$Pdata​而非$P_g$Pg​的概率。
我们的目标是训练判断器D以使其能最大可能地区分来自$P_{data}$Pdata​和$P_g$Pg​的样本，同时训练生成器G以最小化$log(1-D(G(z)))$log(1−D(G(z)))，从而生成D难辨真假的数据。D和G的博弈的价值函数$V(G, D)$V(G,D):
${\min_G}{\max_D} V(D, G) = \mathbb {E}_{x∼P_{data}(x)}[log D(x)] +\mathbb {E}_{z∼P_z(z)}[log(1-D(G(z)))]$Gmin​Dmax​V(D,G)=Ex∼Pdata​(x)​[logD(x)]+Ez∼Pz​(z)​[log(1−D(G(z)))]
其中，$D(x)$D(x)表示D判断真实数据是否是真实的概率，$D(G(z))$D(G(z))表示D判断G生成的数据是否是真实的概率。
G希望$D(G(z))$D(G(z))尽可能大，此时$V(G, D)$V(G,D)会变小，即$\min_G$minG​。
D希望$D(x)$D(x)尽可能大，$D(G(z))$D(G(z))尽可能小，此时$V(G, D)$V(G,D)会变大，即$\max_D$maxD​。
交替训练最终达到纳什平衡状态。

论文中给出的网络训练算法如下，详解后续再做补充：

论文链接：
https://arxiv.org/pdf/1406.2661.pdf
代码链接：
http://www.github.com/goodfeli/adversarial

参考资料：

[1] 深度学习最强资源推荐：一文看尽 GAN 的前世今生，https://www.sohu.com/a/325882199_114877
[2] GAN（生成式对抗网络）百度百科，https://baike.baidu.com/item/Gan/22181905?fr=aladdin
[3] GAN笔记——理论与实现，https://www.cnblogs.com/fydeblog/p/9439024.html
[4] GAN原理学习笔记，https://zhuanlan.zhihu.com/p/27295635
[5] AdversarialNetsPapers， https://github.com/zhangqianhui/AdversarialNetsPapers