AE

VAE

GAN

应用目标

生成式任务（生成、重建、超分辨率、风格迁移、补全、上采样等）

核心思想

生成器G和判别器D的一代代博弈

• 生成器G:生成网络，通过输入生成图像，希望生成的数据可以让D分辨不出来
• 判别器D:二分类网络，将生成器生成图像作为负样本，真实图像作为正样本，希望尽可能分辨出G生成的数据和真实数据的分布
• 判别器D训练:给定G，通过G生成图像产生负样本，并结合真实图像作为正样本来训练D
• 生成器G训练:给定D，以使得D对G生成图像的评分尽可能接近正样本作为目标来训练G
• G和D的训练过程交替进行，对抗过程使得G生成的图像越来越逼真，D分辨真假的能力越来越强

问题分析

目标函数如何分析？

先更新D参数指导G方向
公式解析：$$min_{G}max_{D}V(D,G)=E_{x\backsim p_{data}(x)}[logD(x)]+E_{z\backsim p_{z}(z)}[log(1-D(G(z)))] $$

• 先算 \(max_{D}V(D,G)=E_{x\backsim p_{data}(x)}[logD(x)]+E_{z\backsim p_{z}(z)}[log(1-D(G(z)))]\)，固定G，用D区分正负样本，因此是\(max_{D}\)
• 后算 整体 ，判别式D固定不动，通过调整生成器G，希望判别器不失误，尽可能不让判别器区分出正负样本（提高生成图像的真实性）

每训练出一个生成器，就要生出一个判别器，判别器要使真实图像的值尽可能的大，生成图像的值尽可能的小。也就是说让判别器具有更强的判别能力。是个动态的问题，跟以前损失函数恒定不变的思想不同

如何生成图片？

G和D应该如何设置？

如何进行训练？

for 迭代 in range(迭代总数):
   for batch in range(batch_size):
       新batch = input1的batch + input2的batch  # （batch加倍）
	   for 轮数 in range(判别器总轮数):
             步骤一
	   步骤二