GAN是一個非常巧妙並且非常有用的模型。當有大量關於 GAN 的論文時，但是你會發現這些論文通常很難理解，你可能會想要一些對初學者更友好的東西。所以本文的對非傳統機器學習人員來說，是我能想到的最好的例子。
什麼是 GAN？
GANs 或 Generative Adversarial Networks 是一類機器學習技術，由兩個網絡組成，相互進行對抗性學習。
這一切都是爲了創造。音樂？繪畫？不存在的人的可怕逼真的照片？大聲笑等等。
GAN中的網絡一個被稱爲 Generator，可以將其視爲一種僞造者，第二個稱爲 Discriminator，可以將其視爲偵探。生成器的主要目標是生成逼真的圖像，而鑑別器則試圖區分真假圖像。
假設生成器正在嘗試創建貓的圖片，而鑑別器必須確定它是真正的貓還是 AI 生成的。
它是如何工作的？
判別器和生成器都在開始時隨機初始化並同時進行訓練。開始時生成器只產生一些隨機噪聲，經過訓練在創建逼真的圖像方面越來越好，而鑑別器在區分它們方面越來越好。在模型達到平衡後，鑑別器就無法區分真實圖像和假圖像。在推理階段，我們不再需要判別器，只是用生成器進行工作。
生成器試圖最小化以下函數，而鑑別器試圖最大化它：
損失函數，D(y) 是判別器對真實數據實例 y 爲真實的概率的估計。G(z) 是給定噪聲 z 時生成器的輸出。D(G(z)) 是鑑別器對假實例是真實的概率的估計。
簡單來說，生成器目的是希望欺騙鑑別器讓其相信輸出是真實的，這意味着生成器的權重經過優化，以最大限度地提高此處任何假圖像輸出屬於真實數據集的概率，而判別器應該最小化相同的概率。生成器不能直接影響函數中的 log(D(x)) 項，因此對於生成器來說最小化損失相當於最小化 log(1-D(G(z)))。
生成模型一般基於馬爾可夫鏈、最大似然估計(maximum likelihood estimation, MLE)和近似推理，其似然值在區間[0,1]內。
在均衡時D輸出1/2，因爲鑑別器不能區分生成的虛假數據和真實數據。
完整文章
https://avoid.overfit.cn/post/435488fa0bcd45ec81cfd94a5d938858