浙江建设厅证书查询官网合肥百度推广优化

---

一、原理讲述

1.1 概念讲解

 1. 生成式对抗网络（Generative Adversarial Network，GAN）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。它启发自博弈论中的二人零和博弈（two-player game），两位博弈方分别由生成模型（generative model）和判别模型（discriminative model）充当。

 2. 判别模型用于判断一个给定的图片是不是真实的图片（从数据集中获取的图片），生成模型的任务是去创造一个看起来像真的图片一样的图片。两个模型一起对抗训练，生成模型产生一张图片去欺骗判别模型，判别模型判断这张图片是真的还是假的。在这两个模型训练的过程中，两个模型的能力越来越强，最终达到稳态。

latent random variable：潜在的随机变量
generated fake samples：生成的假样本
fine tune training：微调训练
generator：生成器
discriminator：判别器

1.2 生成模型和判别模型

 1. 生成模型：生产模型的输入是二维高斯模型中的一个随机向量，生成模型的输出是一张伪造的假图片（fake image），同时获取数据集中的真实图片，然后将假图片和真实图片传给判别模型，由判别模型给出是真实图片还是假图片的判别结果。

 2. 判别模型：根据输入的图片类型是假图片或真实图片，将输入数据的lable（标签）标记为0或者1。经过判别模型后输出值为一个0到1之间的数，用于表示输入图片为真实图片的概率，1表示真实图片，0表示假图片。

二、训练过程

2.1 训练原理

 1. GAN的训练在同一轮梯度反转的过程中可以细分为2步：(1)先训练D。(2)再训练G。注意：不是等所有的D训练好了才开始训练G，因为D的训练也需要上一轮梯度反转中的G的输出值作为输入。

梯度反转（Gradient Reversal）是一种无监督学习方法，通过将梯度乘上一个负数来反转梯度方向，以达到欺骗判别器的效果，使得源域和目标域之间的特征分布可以互相“融合”，从而实现域自适应的目的。

 2. 当训练D的时候：上一轮G产生的图片和真实图片，直接拼接在一起作为x。然后按顺序摆放成0和1，假图对应0，真图对应1。然后就可以通过D、x输入生成一个score（从0到1之间的数），通过score和y组成的损失函数，就可以进行梯度反转了。

 3. 当训练G的时候：需要把G和D当作一个整体，这里取名叫做’D_on_G’。这个整体(简称DG系统)的输出仍然是score。输入一组随机向量z，就可以在G生成一张图，通过D对生成的这张图进行打分得到score，这就是DG系统的前向过程。score=1就是DG系统需要优化的目标，score和y=1之间的差异可以组成损失函数，然后可以采用反向传播梯度。注意，这里的D的参数是不可训练的。这样就能保证G的训练是符合D的打分标准的。

2.2 损失函数

 1. 判别模型 $D$ 的损失函数为如下所示。其中：$x$ 表示真实图像；$z$ 表示输入网络中的噪声；$G(z)$ 表示生成器生成的假图像；$D(x)$ 表示判别模型判断真实图像是否为真的概率（由于是真实图像，我们当然希望概率越接近 $1$ 越好）；$D(G(z))$ 为判别模型 $D$ 去判断生成模型 $G$ 生成的假图像是否为真图像的概率（由于是生成模型生成的假图像，我们希望概率越接近 $0$ 越好）。
 我们总是期望 $D(x)$ 越大，$D(G(z))$ 越小，因此要最大化下式，用 $log$ 函数约束它们之间的关系，通过训练不断调整网络的权值，以达到我们的期望。

 2. 生成模型 $G$ 的损失函数为如下所示。生成模型的主要作用就是从随机信号生成一张图像，来尽可能地拟合真实图像，使得判别模型 $D$ 无法判断生成图像的真伪。由 $log$ 函数的性质可知，只有当 $D(G(z))$ 的值接近 $1$ 的时候，下式才能有最小值。$D(G(z))=1$ 表示判别模型 $D$ 将生成模型 $G$ 生成的图像判断为真实图像，所以最小化这个函数就可以使生成模型 $G$ 通过不断训练生成接近真实图像分布的图像。

 3. 结合上面的叙述，总的优化函数为：

三、应用

 GAN最常使用的地方图像生成，如超分辨率任务，语义分割等。用GAN生成的图像也可以来做数据增强。