基本思想
- 生成器
- 从先验分布中采得随机信号，经过神经网络变换，得到模拟样本
- 判别器
- 接受来自生成器的模拟样本，也接受来自实际数据集的真实样本，并进行判断
训练过程
- 训练判别器：先固定生成器(G(cdot))，然后利用生成器随机模拟产生样本(G(z))作为负样本，并从真实数据集采样正样本(X);将这些正负样本输入(D(cdot))中，根据判别器的输出和样本标签来计算误差；利用误差反向传播算法更新判别器参数
- 训练生成器：先固定判别器(D(cdot))，然后利用当前生成器(G(cdot))随机模拟产生样本(G(z))，并输入到判别器中；根据判别器的输出(D(G(z)))和样本标签来计算误差；利用误差反向传播算法更新生成器参数
- 交替优化，直至收敛
GANs的值函数
避开大量概率推断计算
- 初衷：
- 解决概率生成模型的估计问题
- GANs在刻画概率生成模型时，并不对概率密度函数直接建模，而是通过制造样本(x)，间接体现分布