1-GAN

一、GAN简介

人脸检测、图像识别、语音识别，机器总是在现有事物的基础上做出描述或判断[参考]

能不能创造这个世界不存在的东西？GAN

GAN，全称Generative Adversarial Networks，中文叫生成式对抗网络。GAN它包含三个部分（生成、判别和对抗），训练GAN的最终目标是获得一个足够好用的生成器(也就是生成能够以假乱真的内容), 能够完成类似功能的还有玻尔兹曼机,变分自编码器等等,它们被称为生成模型。

GAN分为两个模块，生成网络以及判别网络。

生成网络 负责依据先验分布P(Z)中提取的随机向量z(通常选择正态或均匀分布为先验分布)产生图片、语音等内容，产生的内容是数据集中没有见过的，也可以称为虚假内容;

判别网络 负责对生成网络产生的虚假内容和另一端输入的真实内容进行判断，判断其内容是否是真实的，通常它会给出一个概率来代表内容的真实度，真实内容打高分，虚假内容打低分。

两者使用何种网络（擅长处理图片的 CNN，全连接）并没有规定，只要能完成相应的功能就可以。

对抗，就是指GAN两个网络交替训练的过程，其中生成网络为了欺骗判别网络，会不断提升自己的生成效果，做到以假乱真，令判别网络一直认为生成网络产生的内容是真实的:而判别网络为了不被生成网络欺骗也会不断提升自己的判别效果，做到拥有一双“火眼金睛”一直能识别出生成网络产生的虚假内容。即生成网络为了在判别网络中得到高分，会不断提升自己的性能，而判别网络为了能准确地给生成网络打低分，也会不断提升自己的性能，双方就是在一种对抗的过程中互相提升自己，这就是GAN[参考]。

以图片生成为例：

①先让生成器产生一些[假]图片和收集到的[真]图片一起交给判别器，让它学习区分两者，给真的高分，给假的低分。

②当判别器能够熟练判断现有数据后，再让生成器以从判别器处获得高分为目标，不断生成更好的[假]图片, 直到能骗过判别器

重复进行这一过程, 直到判别器对任何图片的预测概率都接近0.5，也就是无法分辨图片的真假，就停止训练。

二、GAN反演

GAN的生成网络输入的是随机噪声z，而非真实图片，因此它产生的结果是具有随机性的。假设我们通过训练好的GAN网络得到一张非常逼真的虚假人物图片x'，这就是我们想要的效果，但在日后的实验中我们又想对这张x' 图片的脸部进行修改，比如更改头发颜色、修改眉毛细节，那能否继续用GAN网络进行生成呢?

我们需要再找到一个精确的随机噪声z'，通过z'来生成我们想要的修改结果。