概念

生成式对抗网络（GAN, Generative Adversarial Networks ）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中（至少）两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。

输出是一个分布。
z是简化的分布。

举例

输入过去的画面，通过网络预测出下一步的画面，在同时可以左转右转时候选择其中之一。

为什么要distribution

例如在画画和解释人物时候，有多种答案选择：

判别器Discriminator

输出的标量越大越真。

Generator与Disciminator关系

判别器越严苛，生成器越真。

算法

每次训练迭代中，先固定判别器，更新生成器，使判别器输出的值越大则代表生成器产生的图片越真实；
然后固定生成器，对输入的向量进行回归或分类，更新判别器。

应用

Progressive GAN，产生以假乱真的人脸。

GAN理论

两者间差距Divergence越小越好
虽然我们没法计算DIvergence，但我们可以简化数据图和生成器图：

公式

JS divergence缺点

Wasserstein distance

可以判断两个不重叠分布的好坏

计算Wasserstein distance

要加限制使D输入1-Lipschitz，否则real image会无限大，generated image会无穷小，算出来的max会无限小。
也就是不加限制，D的训练会不收敛。

Spectral Normalization（SNGAN）

粗略解WGAN公式：

Mode Diversity

一张图片classify分布越集中，quality越高。
一堆图片classify分布越平均，diversity越大。

Conditional GAN

discriminator区分图片既要看x也要看y，通过x和y一起分辨，一方面图片要好，一方面也要满足限定条件。

Conditional GAN应用

是图片动起来：

unpaired data

x与y不成对出现，例如人脸转成动漫人脸。

Cycle GAN

用生成器将x转成y，再将y还原成x，比较输入和输出相似度。