引言

GAN，全称GenerativeAdversarialNetworks，中文叫生成式对抗网络，了解GAN，私下我喜欢叫它为“内卷”网络，为啥这么说，我们先来看一个故事！！！

01

警察与小偷的故事

在宇宙的某个星球，某个地方有一个城市，这个城市是一个新兴城市，各种制度建设还不完善，所以城市的治安很混乱，很快，这个城市就出现了很多小偷。当然，现在这批小偷能力层次不齐，有的是盗窃高手，有的是一个毫无技术的小憨憨。

小偷盛行，市民投诉反馈，这个城市就开始整治治安，开展了一场打击犯罪的活动，警察开始巡逻，不久一批批学艺不精的小偷就被抓住了。

当然，警察也只能抓到学艺不精的小偷，因为此时的警察自身的能力也不强。此时治安水平不好说，但学艺不精的小偷被抓后，城市的小偷水平大幅度提高了。

这时，警务处长下令，继续训练破案技术，要把那些狡猾的小偷也抓住。慢慢的，职业惯犯以个个的落网了；此时的警察也能从人群中迅速排查出可疑任务，侦察能力提高了不少。

小偷们面对这种现象，心里开始明白：现在的警察水平大大提高，不能像以前一样鬼鬼祟祟的了，不然很容易被捉住。小偷们就开始“头悬梁锥刺股”的苦练技术。终于小偷们距离盗圣的目标又近了一步。这时候，警察们又很难捉到他们了。

警务处长特别生气，召开警员大会，号召严训警员。于是警员们夙兴夜寐的学习工作，终于苦心人天不负，警察们能力又变强了，很多小偷被捕。

道高一尺魔高一丈，警员勤奋，小偷刻苦，相互内卷。，最后达到纳什均衡，这个城市也就成就一批批“捕神”和“盗圣”

GAN就和故事种的警察和小偷一样相互内卷，相互对抗。

02

GAN的通俗理解

人脸检测、图像识别、语音识别，机器总是在现有的事物基础上，做出描述和判断。能不能创造这个世界不存在的东西，GAN就是为此而来。它包含三个部分—-生成、判别和对抗；其中生成器和判别器是重要的模块。

生成和判别指的是两个独立模块。其中生成器负责依据随机向量产生内容，这些内容可以是图片、文字，也可以是音乐，具体什么取决于你想要创造什么；判别器负责判别接收的内容是否是真实的，通常他会给出一个概率，代表内容的真实度。两者使用什么网络，没有具体的规定，正常处理图片的CNN、常见的全连接都可以，只要能完成相应的功能就可以。

接下来就是对抗；对抗是指GAN的交替训练的过程，以图片生成为例子，先让生成器生成一些假图片和真图片，一起交给判别器判别，让它学习区分两者，给真的高分，给假的低分，当判别器能够熟练判断现有的数据后，再让生成器以从判别器处获得高分为目标，不断生成更好的假图片，直到能骗过判别器，重复这一过程，直到判别器对任何图片的预测概率都接近0.5，也就是无法判别图片的真假，就可以停止训练了。

生成器与判别器就像上文提到的警察与小偷一样，既是对抗，又更像是朋友，最初都是技术不精的无名之辈，随着不断的切磋、内卷、升级，最后共同成长，成为了捕神和盗圣。

我们训练一个GAN的最终目标就是获得一个足够好的生成器，也就生成一个足够已经乱真的内容，能完成类似功能的还有玻尔兹曼机、变分自编码器等，这些都被成为生成模型。

03

GAN的总结

（1）生成器与判别器

1. 生成器(Generator)：通过机器生成数据（这些内容可以是图片、文字，也可以是音乐），目的是“骗过”判别器
2. 判别器(Discriminator)：判断这写内容是真实的还是机器生成的，目的是找出生成器做的“假数据”

（2）训练步骤

Step1:固定判别器，训练生成器;

Step2:固定生成器，训练判别器;

Step2：纳什均衡。

（3）样本图片生成过程

Step1：生成器输入随机噪声图A;

Step2：生成器卷积神经网络提取轮毂缺陷边缘特征，生成样本图；

Step3：判别器判别真实样本与生成样本，若辨别概率均为0.5，则输出样本，否之继续训练

Step4：样本库扩充。

想了解AI的，欢迎加博主微信（13142159848）与博主一起来探讨人工智能！！！

版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。

发布者：全栈程序员-用户IM，转载请注明出处：https://javaforall.cn/223691.html原文链接：https://javaforall.cn