前言
本博客是对GAN网络学习的记录
一、基础知识
1. 基础概念
- 由生成器G和判别器D组成
- 首先固定G，训练判别器D，然后反过来，达到博弈的情况
- 判别器D的职责，判断生成器G的数据是否为真
- 生成器G的职责，骗过判别器D，生成的数据让判别器无法识别
- 最终效果是判别器对生成器生成的数据判别概率为50%
2. GAN训练难题
- 如果G生成的数据和真实数据没有overlap（重叠），判别器对于任意生成的反馈都是无穷大
- 导致无法对G进行有效反馈，G无法收敛
WGAN解决方案
- 假设生成的数据是随机数图片，将图片转成真实图片走了多少步，将最少步数作为反馈
- 这样可以让梯度向真实情况逼近
- 类似于搬砖，将一堆砖块经历多少步可以转换和另一堆一致（earth move distance）
3. CircleGAN
- 假设需要将斑马转化成普通马，判别器D用于判断是否为普通马
- 如果G偷懒，生成任意一张马的图片，同样可以骗过D
- 需要将G生成的图片经过某种转换可以还原成原始斑马图片，可以有效防止此情况发生
