GAN（一）:基本框架
小白的第一篇博客，写的有不对的地方，望各位批评指正；
一、GAN的概念
1)generator:Neural Network
image generation：
给定一个vector，经过NN Generator后，产生一张图片
sentence generation:
给定一个vector，经过NN Generator后，产生一个句子
2)discriminator:Neural Network
image----->Discriminator----->scalar(一个数)，这个数越大，表示image越realistic，越小表示image越fake
一个GAN正是包含上述两部分，一个generator,一个discriminator（互相对抗）
generator和discriminator就像是猎食者和猎物之间的关系，一个产生图片，一个辨别图片的真假，互相促进，使得最终产生的图片接近realistic
问题1：为什么generator不通过样本自己学习，而要通过discriminator评分？
解答1：generator是通过产生一个pixel一个pixel来产生整张图像的，因此对于图像局部区域之间的联系不能控制，也就是没有所谓的全局观。而discriminator是对整张图像进行打分，具有全局观，因此用discriminator来促进
问题2：为什么discriminator不自己产生图像，而是只打分呢？
解答2：事实上如果能解决如何取到argmax的问题，discriminator是可以自己产生图像的，但是argmax非常复杂，经常不好解或者根本解不出来，所以也不采用。
二、algorithm
1.Initialize generator and discriminator(随机初始化G,D两个神经网络)
2. In each training iteration：
step1：Fix generator G, and update discriminator D
Discriminator learns to assign high scores to real objects and low scores to generated objects.
(固定G，更新D。随机采样z，输入到G，G产生一系列图像G(z)，D将其和database中的图像相比较，学习给真实的图像打高分，给假的图像打低分)
step2:Gix discriminator D, and update generator G
vector–>generator(NN,update)–>image
image–>discriminator(NN,fix)–>score(higher is better)
so, we need Gradient Ascent not Gradient descent
（固定D，更新G）
首先，我们要明确一点：G和D是互相促进的。G的目的是产生的图像让D感到模糊不知道该分成realistic（看起来像是现实的）还是fake（看起来是假的），D的目的是将realistic和fake的图像准确分辨。所以G产生的图像会越来越真，D的辨别能力会越来越强，最终达到一个平衡。
Pdata 表示真实数据的分布，Pg generator产生的分布，最终的目的就是让Pg 的分布尽可能的和Pdata 相同。
我们用D(x)表示真实图像经过discriminator后的分数，G(z)表示随机变量z经过generator后产生的图像，那么有：D(G(z)) 表示generator产生的图像经过discriminator后的分数
我们所希望的是最大化下面这个式子：
- 从discriminator的角度来看，D(x)越大越好；上式的第二项越大越好（第二项中减号后面那项表示fake图片的得分，自然越小越好，所以带个减号之后就是越大越好CSDN上数学公式难输。。。能懂-这意思就行）
因此，我们希望最大化上面这个式子
2.从generator的角度来看，当然是希望自己产生的图片能够瞒天过海，所以希望上式越大越好
有了这两个式子以后，就可以使用梯度上升或者梯度下降（在两个式子前面加负号）来解决了。