1、Generator
Unconditional generation：不含x输入。
z：从Normal Distribution中simple出来的一个向量，维度自己决定。
Generator：生成一个高维向量，从z中生成一个正确的输出；输入的向量不同的时候，输出也不相同。
2、Discriminator
GAN不光要训练 Generator，还要训练 Discriminator。Discriminator 输出是一个数字 Scalar，这个数字越大，表示当前的输入越像是真实的模型。
Generator 和 Discriminator 互相选择，互相进化。前者调整参数，使生成结果更符合要求；后者的评估标准逐步完善，要求更加复杂。二者之间有着对抗的关系。（比喻：前者是假钞，后者是警察）
3、算法
初始化 Generator 和 Discriminator 的参数。
每次训练的步骤：
Step 1：
随机sampled输入给 Generator，用其输出和正确的一组答案来训练更新 Discriminator，目的是使 Discriminator 具有分辨生成的结果和正确结果的能力。
Step 2：
将 Generator 和 Discriminator 连接起来当做一个大的网络，固定 Discriminator 的参数，不断更新 Generator的参数。该步的目的是使 Generator 具有“以假乱真”的能力，即使其生成的结果更接近真实结果，能够让 Discriminator 给予其生成结果更高的分数。
Step 3：
反复交替训练 Discriminator 和 Generator。
4、评估 Generator
Mode Collapse 问题：
Generator 总是生成某一种结果，不具有多样性。
Mode Dropping问题：
Generator在某一特征方面过于单一（例如肤色，虽然人脸样貌多样，但肤色单一）
评估方法：
如果classification结果平均下来某一类非常多，而其他类很少，则表示多样性较差，如下图所示：
如果classification结果平均下来非常平坦，则表示多样性足够，如下图所示：
Quality 平均结果越集中，代表 Quality 越好；
Diversity 平均结果越平坦，代表 Diversity 越好；
区别：Quality 只看一张图片，Diversity 是看多张图片。
5、Conditional Generation
应用：Text-to-image、Image translation（pix2pix）
训练方法：Discriminator 不光要判断图像是否是真实的，还需要判断是否符合x条件。
其他应用：
若有收获，就点个赞吧
0 人点赞
