基本思想
- 生成器
- 从先验分布中采得随机信号,经过神经网络变换,得到模拟样本
- 判别器
- 接受来自生成器的模拟样本,也接受来自实际数据集的真实样本,并进行判断
训练过程
- 训练判别器:先固定生成器(G(cdot)),然后利用生成器随机模拟产生样本(G(z))作为负样本,并从真实数据集采样正样本(X);将这些正负样本输入(D(cdot))中,根据判别器的输出和样本标签来计算误差;利用误差反向传播算法更新判别器参数
- 训练生成器:先固定判别器(D(cdot)),然后利用当前生成器(G(cdot))随机模拟产生样本(G(z)),并输入到判别器中;根据判别器的输出(D(G(z)))和样本标签来计算误差;利用误差反向传播算法更新生成器参数
- 交替优化,直至收敛
GANs的值函数
避开大量概率推断计算
- 初衷:
- 解决概率生成模型的估计问题
- GANs在刻画概率生成模型时,并不对概率密度函数直接建模,而是通过制造样本(x),间接体现分布