Generative Adversarial Network (GANs) 对抗神经网络 基础 第一部分
定义 Definition
- Discriminative model： Classifier 判别器
- Generative model: (random set of value , class) as input -> Create new features X 生成器
对抗神经网络模型主要就是通过判别器和生成器来进行攻击和战斗，这样就会使得两个模型越来越强大，最后达到一个同时进化的目的。
具体的逻辑是：
生成器根据噪声生成结果，判别器来辨别其真假，互相对抗，互相成就。
与（变分自动编解码器）VAE 的不同
-
VAE： Variational autoencoder decoder -> Latent Space -> Decoder
-
Encoder: 输如实际的图片将其输出到潜在的参数空间
-
Decoder: 将参数空间的数据解析维实际的图像
-
-
GAE: Generative Adversarial Networks
-
Generator 用于将输入转化实际图像，和decoder很想
-
Discriminator 输入真假图片，将真假图片区分开来
-
生成器和判别器 Generator and discriminator
painting forger and art inspector 可以类比为画像伪造者和鉴宝师
1. Steps
- 生成器的作用是骗过判别器 The generator’s goal is to fool the discriminator
- 判别器的目标是将真假区分出来 The discriminator’s goal is to distinguish between real and fake
- 两个模型都在互相对抗 They learn from competition with each other
- 最后假的也变成真的 At the end , fakes look real
2. Discriminator - Classifier
对于判别器，其本质就是一个classifier，其主要是求出了条件概率，也就是在给定X图像后，其属于Y 组的概率。
Input features X , Input labels Y, Discriminator \theta P(Y|X)
3. Generator
对于生成器，其本质便是一个VAE的一部分，将噪声作为输入，并其映射为随机图片。
4. BCE loss function: Binary cross-entropy loss function
其是Supervised ML中最基本的一个损失函数，计算的是预测错误或者正确的概率。
模型结构 Model Structures
- Generator 根据随机噪音生成假图像
- Discriminator 将真假图像作为输入来进行分辨对比，做出真假图像的预测
- 计算BCE 损失函数并back propagation到generator中进行优化迭代
N.B
两个组件都需要有相同级别的能力，如果生成器过于强大，那么分辨器便完全无法识别出真假照片，那么也就不能为生成器的迭代指引更好的方向。如果分辨器非常强大，那么生成器从分辨器那里总是得到负面反馈，那么就很难从分辨器那边得到更好的方向指引。
