GAN(生成对抗网络)的工作原理主要包括以下两部分:
i、生成网络(Generator)
生成网络 G 的目标是尽可能地生成真实数据看起来像的假数据。
ii、判别网络(Discriminator)
判别网络 D 的目标是优化自己,学习如何更好地将真实数据和生成的数据区分开来。
iii、对抗学习
两个网络通过对抗学习训练,不断完善各自的能力。
- 生成网络努力欺骗判别网络,生成越来越逼真的样本
- 判别网络努力识别出生成样本,更准确地区分真实数据
iv、收敛
最终,两个网络达到一个平衡点,生成网络可以生成和训练数据分布相似的样本。
此时判别网络也无法很好地将其区分开来。
v、示例
一个典型的例子是生成假的人脸图像,由于 GAN 网络的自 enforced learning,可以生成逼真的人像。
总的来说,GAN 网络的工作原理主要包括:
- 生成网络生成假数据
- 判别网络区分真假数据
- 通过对抗学习不断优化
- 最终达到平衡点
- 可以生成真实数据看起来像的假数据
其核心思想是:
- 生成网络和判别网络进行对抗学习
- 不断完善各自的能力
- 最终达到平衡,生成假数据相似于真实数据
GAN 网络可以很好地模拟复杂数据的分布。