当你看到以假乱真的图片或视频，看到风格迁移的图片或视频，你应当知道，其背后的机器学习技术是GAN！

GAN, generative adversarial network, 生成式对抗神经网络， 是生成模型的一种。

生成模型主要分两种，一种由输入数据，得到概率密度分布，另外一种，由输入数据，得到与输入数据相同分布的输出数据，GAN属于第二种。更多的关于生成模型的分类，见下图。

GAN是怎样工作的呢？

GAN有两个网络，一个是生成器，希望生成同训练数据相同分布的样本，一个是判别器，希望将生成数据（fake）和训练数据（real）区分开来。

判别器希望real的output接近1，fake的output接近0，下面是判别器的损失函数的定义（只有一种）：

def discriminator_loss(real_output, fake_output):real_loss = cross_entropy(tf.ones_like(real_output), real_output)fake_loss = cross_entropy(tf.zeros_like(fake_output), fake_output)total_loss = real_loss + fake_lossreturn total_loss

生成器的损失函数有三种（零和游戏，非饱和游戏和最大似然游戏）， 在非饱和游戏中，生成器希望fake经过判别器判别的output接近1，非饱和游戏中生成器的损失函数的定义如下：

def generator_loss(fake_output):return cross_entropy(tf.ones_like(fake_output), fake_output)

下图中的D表示判别器（函数），G表示生成器（函数）：

需要注意，生成器的损失函数既依赖于生成器神经网络的参数，也依赖于判别器神经网络的参数；同样判别器的损失函数既依赖于判别器神经网络的参数，也依赖于生成器神经网络的参数。

训练GAN是一个博弈的过程，需要找到纳什均衡。

 

以上图片来自于 NIPS 2016 Tutorial: Generative Adversarial Networks by Ian Goodfellow

用来表示损失函数的定义的示例代码来自于 tensorflow tutorials https://www.tensorflow.org/tutorials/generative/dcgan

 

祖国翔，于上海

https://www.linkedin.com/in/guoxiang-zu/