GAN(Generative Adversarial Networks)是较为火热的一种神经网络，具有较多的优势和特点。

一、GAN
1. 原理
源自于零和博弈(zero-sum game)，包括生成模型(generative model, G)和判别模型(discriminative model, D)。

G,D的主要功能是：

（1）G是一个生成式的网络，它接收一个随机的噪声z(随机数)，通过这个噪声生成图像；

（2）D是一个判别网络，判别一张图片是不是“真实的”。它的输入参数是x，x代表一张图片，输出D(x)代表x为真实图片的概率，如果为1，就代表100%是真实的图片，而输出为0，就代表不可能是真实的图片。

训练过程中，生成网络G的目标就是尽量生成真实的图片去欺骗判别网络D。而D的目标就是尽量辨别出G生成的假图像和真实的图像。这样，G和D构成了一个动态的“博弈过程”，最终的平衡点即纳什均衡点。

2. 特点
（1）相比较传统的模型，他存在两个不同的网络，而不是单一的网络，并且训练方式采用的是对抗训练方式；

（2）GAN中G的梯度更新信息来自判别器D，而不是来自数据样本。

3. 优点
（1）GAN采用的是一种无监督的学习方式训练，可以被广泛用在无监督学习和半监督学习领域；

（2）相比VAE，GAN没有变分下界，如果判别器训练良好，那么生成器可以完美的学习到训练样本的分布。换句话说，GANs是渐进一致的，但是VAE是有偏差的；

（3）GAN应用到一些场景上，比如图片风格迁移，超分辨率，图像补全，去噪，避免了损失函数设计的困难，只要有一个基准，直接上判别器，剩下的就交给对抗训练了。
---------------------
作者：蹦跶的小羊羔
来源：CSDN
原文：https://blog.csdn.net/yql_617540298/article/details/81913212
版权声明：本文为博主原创文章，转载请附上博文链接！