GAN生成对抗网络

https://blog.csdn.net/choushi5845/article/details/100747118

https://blog.csdn.net/LEE18254290736/article/details/97371930

1、生成式对抗网络（GAN, Generative Adversarial Networks ）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。

2、模型通过框架中（至少）两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。

3、判别网络的目的：就是能判别出来属于的一张图它是来自真实样本集还是假样本集。假如输入的是真样本，网络输出就接近1，输入的是假样本，网络输出接近0，那么很完美，达到了很好判别的目的。

4、生成网络的目的：生成网络是造样本的，它的目的就是使得自己造样本的能力尽可能强，强到什么程度呢，你判别网络没法判断我是真样本还是假样本。

因此辨别网络的作用就是对噪音生成的数据辨别他为假的，对真实的数据辨别他为真的。

而生成网络的损失函数就是使得对于噪音数据，经过辨别网络之后的辨别结果是真的，这样就能达到生成真实图像的目的。

GAN 的发展路线图

我们将按照下面的顺序，一步一步学习它：

1. GAN：生成对抗网络
2. DCGAN：深度卷积生成对抗网络
3. CGAN：条件生成对抗网络
4. CycleGAN
5. CoGAN：耦合生成对抗网络
6. ProGAN：生成对抗网络的渐进式增长
7. WGAN：Wasserstein 生成对抗网络
8. SAGAN：自注意力生成对抗网络
9. BigGAN：大生成对抗性网络
10. StyleGAN：基于风格的生成对抗网络