【摘要】：生成器输入随机噪声，判别器输入真实数据和生成器生成的数据，训练过程中，固定生成器或判别器的一方更新另一方的权重，判别器D据式随机梯度上升更新，生成器G据式随机梯度下降更新。GAN的竞争对抗优化过程可以描述为：其中x～pdata表示x服从真实数据分布，z～p表示z服从高斯分布，E（*）为数据期望。
生成器输入随机噪声，判别器输入真实数据和生成器生成的数据，训练过程中，固定生成器或判别器的一方更新另一方的权重，判别器D据式（10－1）随机梯度上升更新，生成器G据式（10－2）随机梯度下降更新。
式中：x表示真实数据；z表示随机变量；G（z）表示生成器生成的服从真实数据分布的样本；D（x）表示判断输入的数据来自真实数据的概率；D（G（z））表示判断输入的数据来自生成的假数据的概率。生成器和鉴别器交替迭代，其中G和D都极力优化自己的网络，形成一种竞争对抗状态，直到模型收敛，G、D双方达到纳什均衡，但是在训练初期，若是生成器的生成效果很差，则判别器会以高置信度拒绝生成样本，log（1－D（G（z）））很容易达到饱和，因此选择最大化log D（G（z）），而不是最小化log（1－D（G（z）））。利用交叉熵损失函数计算判别器的损失，判别器的损失函数：
生成器损失函数：
最终的损失函数为：(www.xing528.com)
更新完判别器的参数再更新生成器的参数。GAN的竞争对抗优化过程可以描述为：
其中x～pdata（x）表示x服从真实数据分布，z～p（z）表示z服从高斯分布，E（*）为数据期望。
当Pg＝Pdata时（Pg表示生成的数据服从真实数据分布，Pdata表示真实数据的分布），网络模型达到最好的结果，此时生成器生成了与真实数据一样的样本，判别器再也判别不出来数据是真实数据还是生成器生成的数据。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
