一.GAN网络机理

        首先先从一幅图入手，如图1所示：

图1. GAN作用机理

        假设在训练开始时，真实样本分布、生成样本分布以及判别模型分别是图中的黑线、绿线和蓝线，其中噪声就是图中的z，目的就是为了生成绿线。

        第二小图所示，固定生成样本，先让判断器判断准，以蓝线和黑线交点为起点，以右判断为真实，以左判断为假，感觉自己很聪明能够判断真假。

        然后来到第三小图，生成器去和真实样本数据做一个拟合，从而误导判决器，但判决器还是能辨认出来，生成器骗不了它。

        第四小图为，当生成器的数据概率分别和真实数据概率分布重合时，判决器从此就变得傻了，不能对其辨别真伪，判决器失败，生成器成功，以假乱真。

二.分析问题

        图2为GAN流程图：

图2 GAN大体流程

          我们有了上述思路和流程图，就可以来确定问题去实现它了~（明确几个问题去解决）：

        1.  目标函数该如何设定？ 

        2.  如何生成图片？ 

        3.  G(判决器)和D(生成器)应该如何设置？ 

        4.  如何进行训练？

1.GAN目标函数确定

           判别模型的目标函数如下：

判别模型目标函数

        1. 整个式子由两项构成。x表示真实图片，z表示输入G网络的噪声，而G(z)表示G网络生成的图片。

        2. D(x)表示D网络判断真实图片是否真实的概率(因为x就是真实的。所以对于D来说，这个值越接近1越好)。而D(G(z))是D网络判断G生成的图片的是否真实的概率。

        3. G的目的：G应该希望自己生成的图片越接近真实越好。

        4. D的目的：D的能力越强，D(x)应该越大，D(G(x))应该越小。这时V(D,G)会变大。因此式子对于D来说是求最大(max_D)

         5. trick:为了前期加快训练，生成器的训练可以把log(1-D(G(z)))换成-log(D(G(z)))

2.GAN图片生成   训练方法

    以下为论文原文：

刚开始看是不是感觉不知如何下手，那么接下来换一种方式来看待它。

下图为形象化的GAN训练方案

形象化的训练方案

input1为真实数据；input2为生成数据

对于判决器而言，其标签认定，对于input1的输出正常应该为“1”，input2的输出正常应该为“0”

第一步，首先把左图的“T”（生成器）固定住，生成一批样本，然后和真实数据一块送至判决器判决，这步为训练的判决器，希望判决器能把它俩区分开，分别打上“1”和“0”标签

第二步，先把右图的“T”（判决器）固定住了，然后调节生成器，让生成的数据也为“1”，去把判决器混淆。这步为训练生成器。

注：我们所有的图片都是靠噪音来生成的

本文中展示的脚本都添加了注释，若难以理解，可参见keras文档

具体代码，参见github源码

3.GAN图片生成  生成器G

设置生成器G

以下是生成器G的脚本：

4.GAN图片生成  判别器D

参见github源码：https://github.com/jacobgi

设置判别器D

以下是判别器D的脚本：

5.GAN图片生成  辅助函数

把判别器D固定，使其能够调整生成器G。

6.GAN图片生成  训练

然后就可以开始进行训练了~~~

7.GAN图片生成  生成

这就形成了噪音经过一个G网络，生成了一个图像，这幅图像就成功骗过了判决器D。

三.总结

   以上就是浅谈了GAN网络的原理，并且搭建了一个原始的GAN网络。希望和大家共同努力进步。

   感兴趣的小伙伴~可以实现CGAN制定类的输出，DCGAN稳定训练网络，infoGAN实现等~~~

作者：hahazhen
链接：https://www.jianshu.com/p/51f969b7922f