为什么会提出GAN

在监督式学习中，我们通常是给模型数据和对应的标签，让他分析输入，不断训练出能从数据推断出标签的能力，前面的文章中的模型都是如此，从恶意代码和垃圾邮件中推断出其对应的标签，当然强化学习RL是根据奖励机制来学习的，不是监督式的

那问题来了，如果我们想让模型凭空画出一副画或者创造一首曲子出来，用监督式来训练出的模型是不具备这样的能力的，监督式训练是训练模型找到数据对应的值或标签，是不具备想象力的，这里有没有像教小孩学习一样，只给一个标准答案，任何稍有偏差的答案直接否定掉

GAN的应用领域最开始在图像生成领域，每次的图像生成都不是一成不变的，极大体现出模型的想象力，但每次生成的图像虽然不同但都是合理或区域一个整体方向的，不会胡乱生成，这又是怎么做到的呢？

GAN主要由生成器和判别器组成，接下来以一个简单的例子来讲讲两者

让模型学着画出一条一元二次曲线，这个相较于其他而言，训练压力小点

怎么训练

先以一个通俗易懂的例子带入吧

需要知道的是什么在引导模型学习，他的老师是谁？在监督学习中预测值Y和标签值Y之间的差值就是老师，引导模型不断去减少这个差值

在GAN中，模型凭借着"想象力"生成了小猫的照片，那如何确定生成的就是小猫的照片呢？生成的效果好不好呢？像不像小猫呢？

以监督式学习的思想来看的话那还不简单，就拿真实小猫的图片Target，让模型去不断学习，减少自己生成图片Prediction和真实小猫Target的差距不就行了吗？

确实不无道理，但我们这里要的是想象力，生成的图片，不同想象力可能生成不同的照片，如果只拿一个最终生冷的答案就否决了他的想象力了，那岂不是扼杀了这种想象力， 显然用监督学习的方法在这里的确是有问题的

那换个思路，我们把用Target来考核模型换成判断生成的图片是否像一只猫，这不就既让图片生成的是猫，并且充分发挥了其想象力

物以类聚，以此类推，这样的思想在安全领域，就可以用到生成恶意代码或者恶意攻击流量，使其以不同的形式进行攻击

那我们就可以设计一个模型，它的任务就是来判断这只想象出来的猫是不是长得像真猫，要让模型具备这样的能力，我们在训练的时候，不但有自己生成的小猫图片，还有真实的小猫图片，让模型学会如何去区分这两者，哈哈，我们的目的就此达到

上面所述的模型其实就是最开始所说的判别器

到这里了，有人可能要问了，这样下来，你最多得到一个非常厉害的辨别模型，我们这里是想要一个生成猫猫的模型，那怎么将这种厉害的辨别能力转接到生成模型那里呢，那就是让辨别模型反过来指导生成模型学习

上图如果转化成白话，意思就是，判决模型拿着对真猫的理解，和生成模型说：你看，你要照着我对真猫的想法来，修改一下这里这里，你就能画出更像真猫的想象猫了。 也就是告诉生成模型，怎么画可以画出我觉得想真猫的猫

上面生动的解释是不是一下就明白GAN的核心思想了，在网上摸索了几天，介绍的都很官方，几乎就是照搬Ian Goodfellow大神论文中的原话，没有用自己的想法来解释，这篇生动的解释是借鉴了莫烦师傅的文章https://mofanpy.com/tutorials/machine-learning/gan/gan

这里还有个更有趣的解释：

• 生成器：学习真实样本以假乱真

• 判别器：小孩通过学习成验钞机的水平

我们还是以更专业的角度来解释一下，生成器和判别器之间的较量可以可视化出下图

图中的黑色虚线表示真实的样本的分布情况，蓝色虚线表示判别器判别概率的分布情况，绿色实线表示生成样本的分布。 Z 表示噪声， Z 到 x 表示通过生成器之后的分布的映射情况

我们的目标是使用生成样本分布（绿色实线）去拟合真实的样本分布（黑色虚线），来达到生成以假乱真样本的目的

(a) 初始阶段

• 黑色色曲线（真实数据分布）和绿色色点线（生成数据分布）差异很大，说明生成器生成的假数据和真实数据分布差距较大

• 蓝色虚线（判别器的判别概率）在真实数据分布高的区域接近1，在生成数据分布高的区域接近0，说明判别器很容易区分真假数据

• 底部的箭头表示梯度方向，生成器会根据判别器的反馈调整生成分布，试图“欺骗”判别器

(b) 训练中期

• 绿色点线（生成分布）开始向黑色曲线（真实分布）靠近，说明生成器在学习真实数据的分布

• 蓝色虚线（判别概率）变得更平缓，说明判别器开始难以区分真假数据，判别概率在真假数据重叠区域接近0.5

(c) 接近收敛

• 黑色点线和绿色曲线进一步靠近，生成分布和真实分布的重叠更多

• 蓝色虚线更加平坦，接近0.5，说明判别器几乎无法区分真假数据（理想情况下，判别器在收敛时对所有数据输出0.5，因为真假数据分布一致）

(d) 收敛状态

• 黑色点线和绿色曲线几乎完全重合，生成分布接近真实分布

• 蓝色虚线几乎是一条水平线，接近0.5，说明判别器完全无法区分真假数据，GAN训练达到平衡

目标函数

判别器的目标函数

这是判别器 D的梯度，用于更新判别器的参数

其中x表示真实图片，z表示输入G网络的噪声，G是生成器，D是判别器

logD(x^i): 判别器希望对真实样本x^i输出接近1的概率，最大化这一项

Log(1-D(G(z^i))): 在这个式子中G(z^i)代表生成器生成的样本，判别器希望对这个生成样本的输出接近0的概率，这样整个Log(1-D(G(z^i)))就更大

梯度 用于通过梯度上升更新D的参数

要强调的是，因为判别器是希望整个式子的值随着训练越来越大，所以这里使用的是梯度上升（注意不是梯度下降）

生成器的目标函数

这是生成器 G 的梯度，用于更新生成器的参数

生成器的目的是最小化这个值，也就是让D(G(z^i))更接近于1，即生成的样本被判别器认为是真实的，那么整个值就会更小

因为生成器的目的是最小化这个值，所以训练时使用的是梯度下降

还要说明的就是，这里的概率0～1，是指给判别器一张图片，它判断这张图片为真的概率越接近1，代表越真实

生成过程

这个过程给出一张图就十分明了了

第一步（左图）：希望判决器尽可能地分开真实数据和我生成的数据。那么，怎么实现呢？我的真实数据就是input1（Real World images），我生成的数据是input2（Generator）。input1的正常输出是1，input2的正常输出是0，对于一个判决器（Discriminator）而言，我希望它判决好，首先把生成器固定住（虚线T），然后生成一批样本和真实数据混合给判决器去判断

第二步（右图）：固定住判决器（虚线T），我想办法去混淆它，刚才经过训练的判决器很厉害，此时我们想办法调整生成器，从而混淆判别器，即通过固定判决器并调整生成器，使得最后的输出output让生成的数据也输出1（第一步为0）

实战之生成手写数字集

先给个简单的demo吧

老规矩先上代码

import tensorflow as tf from tensorflow import keras from tensorflow.keras import layers import matplotlib.pyplot as plt import numpy as np import glob import os # 设置TensorFlow日志级别，减少不必要的警告信息 os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' (train_images, train_labels), (_, _) = tf.keras.datasets.mnist.load_data() # 重塑并归一化数据到[-1, 1]，以匹配生成器的tanh输出 train_images = train_images.reshape(train_images.shape[0], 28, 28, 1).astype('float32') train_images = (train_images - 127.5) / 127.5 # 批大小和缓冲区大小 BATCH_SIZE = 256 BUFFER_SIZE = 60000 datasets = tf.data.Dataset.from_tensor_slices(train_images) datasets = datasets.shuffle(BUFFER_SIZE).batch(BATCH_SIZE) # 生成器模型 def generator_model(): model = tf.keras.Sequential() model.add(layers.Dense(256, input_shape=(100,), use_bias=False)) model.add(layers.BatchNormalization()) model.add(layers.LeakyReLU()) model.add(layers.Dense(512, use_bias=False)) model.add(layers.BatchNormalization()) model.add(layers.LeakyReLU()) model.add(layers.Dense(28 * 28 * 1, use_bias=False, activation='tanh')) model.add(layers.Reshape((28, 28, 1))) return model # 判别器 def discriminator_model(): model = tf.keras.Sequential() # 输入形状为(28, 28, 1)，展平 model.add(layers.Flatten(input_shape=(28, 28, 1))) model.add(layers.Dense(512, use_bias=False)) model.add(layers.BatchNormalization()) model.add(layers.LeakyReLU()) model.add(layers.Dense(256, use_bias=False)) model.add(layers.BatchNormalization()) model.add(layers.LeakyReLU()) # 输出层：使用sigmoid激活，输出概率值 model.add(layers.Dense(1, activation='sigmoid')) return model # 定义损失函数 cross_entropy = tf.keras.losses.BinaryCrossentropy(from_logits=False) # 判别器损失函数 def discriminator_loss(real_out, fake_out): real_loss = cross_entropy(tf.ones_like(real_out), real_out) # 真实图像标签为1 fake_loss = cross_entropy(tf.zeros_like(fake_out), fake_out) # 生成图像标签为0 return real_loss + fake_loss # 生成器损失函数 def generator_loss(fake_out): return cross_entropy(tf.ones_like(fake_out), fake_out) # 希望生成图像被判为1 # 定义优化器 generator_opt = tf.keras.optimizers.legacy.Adam(1e-4) discriminator_opt = tf.keras.optimizers.legacy.Adam(1e-4) # 训练参数 EPOCHS = 200 noise_dim = 100 num_exp_to_generate = 16 seed = tf.random.normal([num_exp_to_generate, noise_dim]) # 实例化模型 generator = generator_model() discriminator = discriminator_model() # 反向传播函数 @tf.function # @tf.function是TensorFlow中的一个装饰器（Decorator它可以把普通的Python函数转换成高性能的TensorFlow计算图（Graph） def train_step(images): noise = tf.random.normal([BATCH_SIZE, noise_dim]) with tf.GradientTape() as gen_tape, tf.GradientTape() as disc_tape: # 判别器判断真实图像 real_out = discriminator(images, training=True) # 生成器生成图像 gen_image = generator(noise, training=True) # 判别器判断生成图像 fake_out = discriminator(gen_image, training=True) gen_loss = generator_loss(fake_out)# 生成器损失 disc_loss = discriminator_loss(real_out, fake_out)# 判别器损失 # 计算梯度 gradient_gen = gen_tape.gradient(gen_loss, generator.trainable_variables) gradien

4A评测 - 免责申明

本站提供的一切软件、教程和内容信息仅限用于学习和研究目的。

不得将上述内容用于商业或者非法用途，否则一切后果请用户自负。

本站信息来自网络，版权争议与本站无关。您必须在下载后的24个小时之内，从您的电脑或手机中彻底删除上述内容。

如果您喜欢该程序，请支持正版，购买注册，得到更好的正版服务。如有侵权请邮件与我们联系处理。敬请谅解！

程序来源网络，不确保不包含木马病毒等危险内容，请在确保安全的情况下或使用虚拟机使用。

侵权违规投诉邮箱：4ablog168#gmail.com（#换成@）