GAN是一个非常巧妙并且非常有用的模型。当有大量关于 GAN 的论文时，但是你会发现这些论文通常很难理解，你可能会想要一些对初学者更友好的东西。所以本文的对非传统机器学习人员来说，是我能想到的最好的例子。
什么是 GAN？
GANs 或 Generative Adversarial Networks 是一类机器学习技术，由两个网络组成，相互进行对抗性学习。
这一切都是为了创造。音乐？绘画？不存在的人的可怕逼真的照片？大声笑等等。
GAN中的网络一个被称为 Generator，可以将其视为一种伪造者，第二个称为 Discriminator，可以将其视为侦探。生成器的主要目标是生成逼真的图像，而鉴别器则试图区分真假图像。
假设生成器正在尝试创建猫的图片，而鉴别器必须确定它是真正的猫还是 AI 生成的。
它是如何工作的？
判别器和生成器都在开始时随机初始化并同时进行训练。开始时生成器只产生一些随机噪声，经过训练在创建逼真的图像方面越来越好，而鉴别器在区分它们方面越来越好。在模型达到平衡后，鉴别器就无法区分真实图像和假图像。在推理阶段，我们不再需要判别器，只是用生成器进行工作。
生成器试图最小化以下函数，而鉴别器试图最大化它：
损失函数，D(y) 是判别器对真实数据实例 y 为真实的概率的估计。G(z) 是给定噪声 z 时生成器的输出。D(G(z)) 是鉴别器对假实例是真实的概率的估计。
简单来说，生成器目的是希望欺骗鉴别器让其相信输出是真实的，这意味着生成器的权重经过优化，以最大限度地提高此处任何假图像输出属于真实数据集的概率，而判别器应该最小化相同的概率。生成器不能直接影响函数中的 log(D(x)) 项，因此对于生成器来说最小化损失相当于最小化 log(1-D(G(z)))。
生成模型一般基于马尔可夫链、最大似然估计(maximum likelihood estimation, MLE)和近似推理，其似然值在区间[0,1]内。
在均衡时D输出1/2，因为鉴别器不能区分生成的虚假数据和真实数据。
完整文章
https://avoid.overfit.cn/post/435488fa0bcd45ec81cfd94a5d938858