生成对抗模型
- 有em算法思想
生成对抗网络（GAN）由2个重要的部分构成：
生成器(Generator)：通过机器生成数据（大部分情况下是图像），目的是“骗过”判别器
判别器(Discriminator)：判断这张图像是真实的还是机器生成的，目的是找出生成器做的“假数据”
主要流程：
第一阶段：固定“判别器D”，训练“生成器G”
我们使用一个还 OK 判别器，让一个“生成器G”不断生成“假数据”，然后给这个“判别器D”去判断。一开始，“生成器G”还很弱，所以很容易被揪出来。但是随着不断的训练，“生成器G”技能不断提升，最终骗过了“判别器D”。到了这个时候，“判别器D”基本属于瞎猜的状态，判断是否为假数据的概率为50%。
第二阶段：固定“生成器G”，训练“判别器D”
当通过了第一阶段，继续训练“生成器G”就没有意义了。这个时候我们固定“生成器G”，然后开始训练“判别器D”。
“判别器D”通过不断训练，提高了自己的鉴别能力，最终他可以准确的判断出所有的假图片。到了这个时候，“生成器G”已经无法骗过“判别器D”。
循环阶段一和阶段二：
通过不断的循环，“生成器G”和“判别器D”的能力都越来越强。最终我们得到了一个效果非常好的“生成器G”，我们就可以用它来生成我们想要的图片了。
GAN算法有两个特点：
- 是一种无监督学习算法，不需要label
- 用一个有监督学习（MLP）的损失函数来做无监督学习，算法效率会更高
总结：算法中涉及到生成模型和判别模型对抗思想，并且用到KL散度等数学知识，通过博弈来逼近最优结果。
标签：判别,训练,生成器,生成,GAN,算法 来源： https://blog.csdn.net/weixin_45746505/article/details/123642088
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。