生成对抗网络（GAN：Generative Adversarial Networks）

最新推荐文章于 2025-02-05 10:00:00 发布

转载最新推荐文章于 2025-02-05 10:00:00 发布 · 2k 阅读

收录于

CV & ML 专栏收录该内容

82 篇文章

订阅专栏

本文介绍生成对抗网络（GAN）的基本原理及其发展历程。GAN由Goodfellow等人于2014年提出，它通过两个神经网络——生成器和判别器之间的博弈训练，使生成器能够学习到真实数据的分布并生成类似数据。

论文：Goodfellow, Ian, et al. “Generative adversarial nets.” Advances in Neural Information Processing Systems. 2014.

GAN启发自博弈论中的二人零和博弈，由[Goodfellow et al, NIPS 2014]开创性地提出，包含一个生成模型（generative model G）和一个判别模型（discriminative model D）。生成模型捕捉样本数据的分布，判别模型是一个二分类器，判别输入是真实数据还是生成的样本。这个模型的优化过程是一个“二元极小极大博弈（minimax two-player game）”问题，训练时固定一方，更新另一个模型的参数，交替迭代，使得对方的错误最大化，最终，G 能估测出样本数据的分布。在训练D时是最小化判别模型的误差，训练G时是最大化判别模型的误差。

Ref：

http://blog.csdn.net/solomon1558/article/details/52537114

http://blog.csdn.net/shenxiaolu1984/article/details/52215983

http://blog.csdn.net/layumi1993/article/details/52328594

http://www.wtoutiao.com/p/172tUtn.html 介绍了GAN后续的一些理论发展与应用（如GAN->CGAN->LAPGAN->DCGAN->GRAN->VAEGAN 等等）