• 重点：GAN原理、DCGAN的原理及应用
• 难点：GAN相关公式推导

GAN部分应用

• 图像生成
• 视频预测
• 图片超精度变换
• 图图变换

GAN简单理解

GAN的主要结构包括一个生成器G（Generator）和一个判别器D（Discriminator）。
迭代进化的思想

GAN原理介绍

• 这里的$V(G,D)$相当于表示真实样本和生成样本的差异程度。
• 先看$\max\limits_{D}{V(G,D)}$。这里的意思是固定生成器$G$，尽可能地让判别器能够最大化地判别出样本来自于真实数据还是生成的数据。
• 再将后面部分看成一个整体令$L(G)=\max\limits_{D}{V(G,D)}$ ，看$\min\limits_{G}L(G)$，这里是在固定判别器$D$的条件下得到生成器$G$，这个$G$要求能够最小化真实样本与生成样本的差异。
• 通过上述min max的博弈过程，理想情况下会收敛于生成分布拟合于真实分布。
  

DCGAN实践

一个可以生成手写数字的GAN

1. Discriminator
   就是一个CNN的分类器，输入是28*28*1的手写数字图像，输出是一个0-1的概率。结构如下，激活函数用的leaky ReLU，dropout取0.4-0.7之间。
   
2. Generator
   从100维的随机向量去生成一张28*28*1的图片，我们会用到 反卷积/转置卷积(transposed convolution)，用的ReLU激活函数，dropout使用的0.3-0.5之间，同时使用了BN层，使得训练能正常进行。
   
3. Adversarial Model
   把上面的生成模型和分类模型合并在一起形成一个对抗模型
   
4. Training
   先训练Discriminator，然后迭代交替训练generator和discriminator