Generative adversarial network
据有关媒体统计：CVPR2018的论文里，有三分之一的论文与GAN有关！
由此可见，GAN在视觉领域的未来多年内，将是一片沃土(CVer们是时候入门GAN了)。而发现这片矿源的就是GAN之父，Goodfellow大神。
~~~
生成对抗网络GAN，是当今的一大热门研究方向。在2014年，被Goodfellow大神提出来，当时的G神还只是蒙特利尔大学的博士生而已。
GAN之父的主页：
| http://www.iangoodfellow.com/ |
|---|
GAN的论文首次出现在NIPS2014上，论文地址如下：
| https://arxiv.org/pdf/1406.2661.pdf |
|---|
入坑GAN，首先需要理由，GAN能做什么，为什么要学GAN。
GAN的初衷就是生成不存在于真实世界的数据，类似于使得 AI具有创造力或者想象力。应用场景如下：
1. AI作家，AI画家等需要创造力的AI体；
2. 将模糊图变清晰(去雨，去雾，去抖动，去马赛克等)，这需要AI具有所谓的“想象力”，能脑补情节；
3. 进行数据增强，根据已有数据生成更多新数据供以feed，可以减缓模型过拟合现象。
以上的场景都可以找到相应的paper。而且GAN的用处也远不止此，期待我们继续挖掘，是发论文的好方向哦
GAN的原理介绍
这里介绍的是原生的GAN算法，虽然有一些不足，但提供了一种生成对抗性的新思路。放心，我这篇博文不会堆一大堆公式，只会提供一种理解思路。
理解GAN的两大护法G和D
| G是generator，生成器: 负责凭空捏造数据出来 |
|---|
| D是discriminator，判别器: 负责判断数据是不是真数据 |
|---|
这样可以简单的看作是两个网络的博弈过程。在最原始的GAN论文里面，G和D都是两个多层感知机网络。首先，注意一点，GAN操作的数据不一定非得是图像数据，不过为了更方便解释，我在这里用图像数据为例解释以下GAN：
稍微解释以下上图，z是随机噪声(就是随机生成的一些数，也就是GAN生成图像的源头)。D通过真图和假图的数据(相当于天然label)，进行一个二分类神经网络训练(想各位必再熟悉不过了)。G根据一串随机数就可以捏造一个“假图像”出来，用这些假图去欺骗D，D负责辨别这是真图还是假图，会给出一个score。比如，G生成了一张图，在D这里得分很高，那证明G是很成功的；如果D能有效区分真假图，则G的效果还不太好，需要调整参数。GAN就是这么一个博弈的过程。
那么，GAN是怎么训练呢？
根据GAN的训练算法，我画一张图：
GAN的训练在同一轮梯度反传的过程中可以细分为2步，先训练D在训练G；注意不是等所有的D训练好以后，才开始训练G，因为D的训练也需要上一轮梯度反传中G的输出值作为输入。
| 当训练D的时候，上一轮G产生的图片，和真实图片，直接拼接在一起，作为x。然后根据，按顺序摆放0和1，假图对应0，真图对应1。然后就可以通过，x输入生成一个score（从0到1之间的数），通过score和y组成的损失函数，就可以进行梯度反传了。（我在图片上举的例子是batch = 1，len(y)=2*batch，训练时通常可以取较大的batch） |
|---|
| 当训练G的时候， 需要把G和D当作一个整体，我在这里取名叫做’D_on_G’。这个整体(下面简称DG系统)的输出仍然是score。输入一组随机向量，就可以在G生成一张图，通过D对生成的这张图进行打分，这就是DG系统的前向过程。score=1就是DG系统需要优化的目标，score和y=1之间的差异可以组成损失函数，然后可以反向传播梯度。注意，这里的D的参数是不可训练的。这样就能保证G的训练是符合D的打分标准的。这就好比：如果你参加考试，你别指望能改变老师的评分标准 |
|---|
~~~
需要注意的是，整个GAN的整个过程都是无监督的(后面会有监督性GAN比如cGAN)，怎么理解这里的无监督呢？
这里，给的真图是没有经过人工标注的，你只知道这是真实的图片，比如全是人脸，而系统里的D并不知道来的图片是什么玩意儿，它只需要分辨真假。G也不知道自己生成的是什么玩意儿，反正就是学真图片的样子骗D。
正由于GAN的无监督，在生成过程中，G就会按照自己的意思天马行空生成一些“诡异”的图片，可怕的是D还能给一个很高的分数。比如，生成人脸极度扭曲的图片。这就是无监督目的性不强所导致的，所以在同年的NIPS大会上，有一篇论文conditional GAN就加入了监督性进去，将可控性增强，表现效果也好很多。