GAN 简介（一）

         生成性对抗网络（GAN）是一种机器学习技术，通过两个神经网络之间的类似游戏竞争来动态学习生成与来自给定训练数据集（例如，手写数字的图像）的实际数据无法区分的假实例。

       这两个网络被称为“Generator”和“Discriminator”。Generator的目标是生成与训练数据集无法区分的数据。Discriminator的目标是正确地确定特定示例是真实的（即来自训练数据集）还是假的（即，由Generator创建）。

       通常从随机数的向量开始，它通过从判别者的决定收到反馈间接地Generator学会了产生逼真的例子。当Discriminator被欺骗误将假图像归类为真实图像时，Generator就知道它做得很好。当Discriminator拒绝Generator生成的图像为假时，Generator知道它需要改进。

       Discriminator也在不断改进：对于它所做的每个分类，无论猜测是否正确都会给出反馈。因此，随着Generator更好地生成逼真的数据，Discriminator可以更好提高他的鉴别能力。两个网络通过这种猫捉老鼠的游戏同时改进。

                                                   

GAN网的网络结构和训练过程

                                                       

训练的目标是

当Generator生成的假例子与真实数据无法区分时，Generator和Discriminator达到其纳什均衡，并且Discriminator最多可以随机猜测示例是真实的还是假的时候

GAN的应用：

成逼真的假图像 ：

 

    上面显示的面孔都不是真人; 他们展示了GAN以照片般逼真的质量制作假图像的能力。

图像到图像的翻译