学习笔记-李宏毅GAN（生成对抗网络）全系列 _网络

书到用时方恨少，事非经过不知难。这篇文章主要讲述学习笔记-李宏毅GAN（生成对抗网络）全系列相关的知识，希望能为你提供帮助。

文章目录

??前言??
??相关链接??
??1. Introduction??

??1. 1 Basic Idea of GAN??
??1.2 GAN as structured learning??
??1.3 Generator可以自己学吗？??

??VAE（Variational Auto-encoder）??

??2. CGAN, Conditional Generation by GAN??

??2.1 discriminator的架构改进??
??2.2 Stack GAN??
??2.3 Image-to-image??
??2.4 Speech Enhancement（提升语音的质量）??
??2.5 Video Generation??

??3. Unsupervised Conditional Generation??

??3.1 方法1：直接转换??

??3. 使用Cycle GAN??

??方法2：VAE GAN: Project to Common Space??

??GAN（生成对抗网络）全系列（二）??
??更多资料??

前言红色文字代表重点，黄色文字代表次重点，绿色文字代表了解，黑色文字为解释说明
相关链接

??视频??：https://www.youtube.com/playlist?list=PLJV_el3uVTsMq6JEFPW35BCiOQTsoqwNw

1. Introduction1. 1 Basic Idea of GAN
GAN， Generative Adversarial Network，作用是训练一个Generator，用于生成东西。
Generator的使用：给Generator一个随机的Vector，然后Generator生成一个随机的“长Vector”（图片、文字等）

输入的Vector的dimension（就是每个值）对应一个特征，例如上图中的第一个0.1可能就对应头发的颜色
Discriminator（判别器）：在训练Generator的时候，要同时训练一个Discriminator，作用是判别一张图片的真实程度。
Discriminator 接受一个图片，输出一个Scalar（数值），Scalar越大表示图片越真实

GAN的训练过程（简易版）
1. 准备一个真实图片的数据集
2. 随机初始化Generator和Discriminator，此时Generator生成图片是瞎生成，Discriminator也是瞎分辨
3. 训练Discriminator:
3.1 让Generator生成一组图片，然后让Discriminator来分辨真假，同时也会告诉Discriminator真实的图片长什么样子
【学习笔记-李宏毅GAN（生成对抗网络）全系列】 3.2. 根据第 3.1 步的损失来更新Discriminator
4. 训练Generator:
4.1. 继续让Generator生成一组图片，然后让Discriminator来分别真假。注意，本次只会让Discriminator看生成的图片
4.2. 根据第 4.1 步得到的损失来更新Generator
5. 重复迭代3,4步，直到满意为止

（最原始的）GAN训练过程（公式版），在每一个迭代过程做的事如下：
1. 从数据集中拿到个样本
2. 从distribution中拿出个噪音向量（就是生成m个均匀分布的随机向量，当然也可以是其他分布）
3. 让Generator根据噪音向量生成数据