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

1. Generator 根据随机噪音生成假图像
2. 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
3. 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。