GAN轻松入门和概述【优雅霸气手撕GAN（生成对抗网络）】
GAN概述
什么是生成对抗网络（GAN）？
Generative Adversarial Networks (GANs)
- Generative 学习得到生成式模型
- Adversarial 使用对抗博弈的方法训练
- Networks 使用神经网络
GAN的核心思想：通过对抗的方式去学习数据分布的生成式模型
通过生成网络G (Generator)和判别网络D (Discriminator)不断博弈，来达到生成类真数据的目的
对抗学习 VS 监督学习
GAN的思想：是一种生成与鉴别的对抗，在对抗过程中相互促进。例如警察和小偷的相互博弈。
监督学习：有明确的标签信息，类似于教小朋友画画
对抗学习：小朋友自己模仿，由大人来鉴别好坏
GAN训练的时候需要判别器D评价生成结果的好坏，并以此为依据进行梯度更新，训练优化；不需要提前标注好的标签。监督学习预测的结果需要和提前标注好的标签进行比较，计算损失函数。
GAN的作者
2014年，Ian Goodfellow 和蒙特利尔大学的其他研究者（包括Yoshua Bengio）提出GANs
生成对抗网络是一个热门的研究方向，2014年至今，进行了广泛的研究，井喷式增长
学习GAN的原因
1.无监督对GAN来讲是小菜一碟
- 训练深度学习模型需要大量数据
- 标注数据费时费力
- GAN提供更便捷的方法训练模型
2.GAN通过图像风格迁移可以将马变成斑马
- Image-to-Image
- 桔子变苹果、一秒变名画
- 图像风格迁移
3.GAN可以输入文本生成图像 语音画画
- Text-to-Image
- 标题生成图像
- 风格转换
4.GAN的1+1>2
- GAN+ Transfer Learning
- 超分辨率图像生成
- Mind2Mind