GAN 生成对抗网络解读，以及参考代码复现

参考链接：

https://zhuanlan.zhihu.com/p/56861824?utm_source=wechat_session&utm_medium=social&utm_oi=991676538793885696

https://blog.csdn.net/wspba/article/details/54582391

下面将根据论文原文进行推导以及代码复现：

定义：

KL 散度：我们最终的目的是使伪造的数据分布与真实的数据分布尽可能相同。数据分布的描述就是概率分布，而衡量两个概率分布之间的差异性可以使用KL-散度。KL散度定义如下：https://www.jianshu.com/p/7b7c0777f74d

所以：GAN网络的优化目标是一个KL散度。

GAN 网络原理：GAN的原理也非常简单直接：生成器网络根据随机噪声  生成伪造的图片，而判别器网络判断图片真假。判别器的目标是：尽量判断真实图片为真，判断判别器伪造的图片为假，提高判断真假的准确度。生成器的目标是：尽量让伪造图片看起来真，降低判别器的准确度。

因此存在两个优化大小问题：

论文中的表达如下：

为了求极大极小问题，常用的是两步法。

可以先固定生成器G,求导得到最优的D：

补充交叉损失函数：其实是从极大似然法推导而来，https://mp.weixin.qq.com/s/2_ZkKrwPhaS31JnyYXyfrQ

代码复现

参考论文与博客：https://blog.csdn.net/wspba/article/details/54582391