对抗生成网络原理
(1)生成模型
构建o和s的联合分布p(s,o) = p(s) *p(o|s)
(2)判别模型
构建o和s的条件分布p(s|o)
原理：利用判别模型效果，不断提高生成模型效果！逐步递进的过程不可或缺，而不是一开始就无敌！
其实就是通过不断求误差下界中的上界的方式，来获取更好的效果（就是莫欺少年穷嘛）！
生成器的目标：生成一个仿真数据
判别器的目标：判别一个数据是否真实
最终目标：得到一个好的生成器。
生成器的损失要大，你一开始不能太强，只能逐步增强，识别器要足够好，因为它会监督生成器的进步！
深度卷积对抗生成网络（DCGAN）
构建一个对抗网络
step 1：定义目标
从随即向量生成真实图像
step 2：定义生成器和判别器的输入输出
step 3：定义生成器和判别器的结构
生成器
输入：随机向量（一个数值，需要进行反卷积放大feature map）
输出：图像
反卷积：相当于一种上采样，池化层和卷积相当于一种下采样
模型结构：
Pooling层用convolutional层替代：我需要放大feature map而不是缩小
D上使用卷积层，都使用LeakyReLU预防神经元死掉
G上使用反卷积层，除了输出层使用tanh外（类似sigmoid函数）其他都用Relu（速度快）
图像翻译（Pix2Pix）
目标：以输入图为条件，生成内容相似但风格不同的新图！
要求和前提：图像必须配对
决策器：对生成器生成的新图和lable图是否配对
生成器：对输入的图，经过卷积和反卷积（全卷机网络），最后生成新图
生成器的模型：
优化策略：进行一次卷积的过程，你反卷积还需要另外在计算一次吗？不就是对称的嘛
无配对图像翻译（CycleGAN）
目标：从无配对的图像中学到风格的变换 ！
模型怎样构建，并且怎样来构建损失函数来学习，使用循环一致性损失（L1） 来处理非成对数据的问题~~~~
建立模型：一对图像（x，y），两个生成器
，两个判别器
损失函数：两个一致性损失
判别器损失：
生成器损失：
损失和：
生成器和损失器的优化：
为甚麽一致性损失（L1）会有效，因为添加约束降低了搜索空间！
多领域图像翻译（StarGAN）
之前模型只能处理，一对图像（x->y）的问题，但是如果有多任务(x==>y1,y2,y3)，比如：更换图像头发的颜色，年龄等.......
那么原模型的组合比较多，而且模型之间没有信息共享，效率很差！
解决思想：从模型和损失函数入手，生成器添加目标领域信息，判别器需要判别领域类别！在对损失函数进行重建！
文本生成图像（Text2Img）
模型结构：
生成器:
输入：随机向量+文本编码（反卷积+卷积，构建全卷积网络，生成新图，文本编码：LSTM（对句子进行编码））
输出：图像
判别器：
输入：生成的图像+文本编码（直接CNN即可） 输出：图像文本是否匹配+图像是否合理（真实）
技巧：先将图像是否合理训练出来，在训练图像文本是否匹配！