机器学习（李宏毅）——GAN

一、前言

本文章作为学习2023年《李宏毅机器学习课程》的笔记，感谢台湾大学李宏毅教授的课程，respect！！！
不得不说GAN真是博大精深！

二、大纲

• GAN问世
• 基本思想
• 原理剖析
• Tips of GAN
• GAN的应用
• Cycle GAN
• Evaluation of GAN

三、GAN问世

2014年Goodfellow 等人在《Generative Adversarial Networks》论文中首次提出了 GAN，随后各种各样的GAN百花齐放和发展，整个GAN的大家族网站：https://github.com/hindupuravinash/the-gan-zoo。

四、基本思想

GAN由两部分组成：Generator + Discriminator，简称为G和D。

• Generator （生成器）
• Discriminator（判别器）

精髓：G要想办法骗过D，D则是尽量挑出G假的内容，拟人化说法就是“对抗”。
举个例子：
G是屌丝，D是白富美，D心里择偶是有一杆称就是找个高富帅G’，下面就是屌丝伪装成高富帅的故事了：
第一次约会：G搞了个发型去见D，D说你衣品真差，黄了；
第二次约会：G买了套名牌西装去见D，D说你的车怎么是个共享自行车，黄了；
第三次约会：G租了一辆保驰捷911去见D，当然还搞了发型、穿了名牌西装，并说其实我一直都是高富帅，只不过家里在考验我的继承能力而已，并送出A货包包，D信了，于是两个人就在一起了。

从上面的例子看出，D每次都基于G的表现冒出一个标准，而G每次都按照D的标准重新纠正自己，反复进行下去，如果一方停下来，这场约会（“对抗”）也进行不下去了。

回归到图像生成这件事情上来：
具体步骤如下：

• step1：固定G，得到输出的image（第一次都是噪点），输送给D，D根据看过的真实图片和G的假照片，训练出标准。D就像是分类器，要区分出来自G的data和real data。
  
• step2：有了标准D后，接着将其固定，反过来更新G，使得G输出的image送入D，D越难区分出来越好。