gan的基本結構

【第一步：用真實樣本訓練判別器，令它判別出1】

大家思考一下，如果我們不考慮第二步和第三步，只考慮第一步，實際上這個結構是有很大問題的。因為不管輸入的樣本是什么，想讓它輸出是1，這樣單種類的分類，沒有任何意義。一般意義上的分類器，起碼分兩類。如果不管判別器的輸入層、隱藏層、中間層是什么樣，只要最后一層保證輸出是標量1，這個很容易做到。所以這個模型，只在我們接下來的所有步驟中有意義，單獨看沒有意義，這個大家要能看出來。

【第二步，由隨機向量經過生成器，輸出生成樣本，然后把生成樣本輸入到判別器，令它能輸出0】

與第一步聯系，就會有兩個分類，一個是1，一個是0。有了兩個分類，判別器就可以得到優化。這是我們設計這個網絡模型的結構時一定要注意的地方。在第二步，我們期望結果是0，但可能不是，就會產生誤差，從而產生梯度，產生梯度后我們沿著箭頭的反方向走，這就是反向傳播。在反向傳播過程中，可以把遇到的任何一個參數進行優化。優化過程中，有一個小技巧，在生成器的地方，把梯度截斷，不優化生成器。因為對生成器優化，最終的結果不過是輸出一個0，這不是生成器的目標。生成器的目標是生成一個很像真實樣本的假樣本。所以需要在這里截斷梯度。第二步所進行的優化，是對判別器進行的優化。結合第一步，兩步可以合成一步。 

【第三步，輸入隨機向量，經過生成器輸出生成樣本，再經過判別器，輸出判別系數，這時我們期望輸出是1】

前面輸出0，我們希望用梯度優化判別器，現在用一個不同的期望輸出，來優化生成器。梯度在跑的過程中，雖然的確先經過判別器，但是因為判別器前面只對輸出樣本，期望輸出是0，現在期望輸出是1，所以梯度會路過判別器，只對生成器進行優化。所以最優化的結果，就是判別器對真實樣本總是匯報1，對生成的假樣本總是匯報0，同時我們生成器輸出的生成樣本，總是能通過判別器的判別。

但是這里有一個矛盾的地方，生成樣本經過判別器，如果判別結果是1，會被當成真實樣本，這意味判別器的判別是錯誤的；如果判別結果趨近于0，說明判別器的判別是正確的，但是這又意味著生成器生成的結果是不理想的。這個矛盾的對抗結果，使得整個GAN的訓練非常麻煩。

二、GAN的損失函數

對判別器的訓練：

data指真實樣本，D指判別器，G指生成器。我們期望D(X)趨近于1，整個趨近于0。D(G(z))是生成器對輸入向量Z生成的樣本，作為判別器的輸入，我們期望這部分的輸入趨近于0。

對生成器的訓練：

這里D(G(z))與上面相反，我們期望輸出結果是1。

（本文來源于：Boolan首席AI咨詢師—方林老師）