【教程搬运】最好的GAN系列教程在这里。
1.初窥门径__生成对抗网络（GAN）（一）
*GAN的基础知识
注意这个文章有个地方写的不够清楚，就是生成器和判别器训练的过程，我稍微阐述一下，就是：
- 第一步：训练判别器。固定生成器的参数，x 输入判别器后输出的结果标签为1，随机噪声 z 输入生成器得到 G(z)，再输入判别器后得到的输出结果标签为0，训练判别器到收敛。
- 第二步：训练生成器：固定判别器的参数，随机噪声输入生成器，得到假图，然后输入判别器，得到一个概率值（比如说0.8），这时候我们要告诉生成器，你的目标是1，要尽可能使得你生成的图片，在被放入判别器后得到的结果是1，生成器看到我们的0.8和1存在差距，自然会着力更新自己的值（此时判别器的值是不会动的）。
- 第三步：重复上述步骤1、2.
2.小试牛刀__GAN实战项目之mnist数据集（二）
3.融会贯通__条件生成对抗网络（cGAN）（三）
*关于pix2pix使用的cGAN
4.炉火纯青__深度卷积生成对抗网络（DCGAN）（四）
5.登堂入室__生成对抗网络的信息论扩展（infoGAN）（五）
原文写道：
InfoGAN是生成对抗网络信息理论的扩展，能够以完全非监督的方式得到可分解的特征表示。
你可以这么理解，GAN生成的图像其实是一种特征表示，而GAN本身是一种非监督学习的方式（你没有人为设定标签）。这里的infoGAN其实就是获取可分解的特征表示（不仅局限在图像）。与原有GAN最大的区别其实就是数据的可解释性。
它可以最大化隐含(latent)变量子集与观测值之间的互信息(mutual information)，并且发现了有效优化互信息目标的下界。
你可以这么理解，隐含变量子集就是真实值的分布，而观测值是你生成的值，互信息最大就是让二者尽可能接近。
（本论文未读完，待补充）
扫描二维码关注公众号，回复：
14677875 查看本文章
（本论文未读完，待补充）
（本论文未读完，待补充）
8.一代宗师__循环一致性生成对抗网络（CycleGAN）（八）
本论文可参见本人的教程，请点击这里。