GAN（生成对抗网络）原理与目标函数

GAN 是一种生成模型，全名是 生成对抗网络 (Generative Adversarial Network)。它由两个部分组成：

这两部分通过一种对抗的方式互相竞争，最终生成器会变得越来越"聪明"，能够生成接近真实的数据。

GAN 就像一个"造假者"和一个"鉴定师"之间的对抗游戏：

这种对抗的训练过程会让生成器越来越优秀，最终它生成的数据会逐渐接近真实数据的分布。

GAN 的训练过程可以分为以下几个步骤：

初始化
- 给生成器和判别器随机分配初始的参数。
- 定义一个简单的潜在分布 ( P_z )（比如一个标准正态分布 ( z \sim N(0, 1) )），生成器将从这个分布中采样。
训练判别器 D
- 判别器接收两种数据：
  1. 真实数据 ( r \sim P_r )（从真实数据分布中采样）。
  2. 生成器生成的假数据 ( g \sim P_g )（从生成器生成的数据分布中采样）。
- 判别器的目标是最大化它对真实数据的预测概率，同时最小化它对生成数据的预测概率。
训练生成器 G
- 生成器的目标是生成能骗过判别器的数据，也就是说，它希望判别器把生成数据也认为是真实的。
- 生成器通过判别器的反馈不断调整自己的参数，逐渐生成更真实的数据。
重复上述过程
- 不断交替训练 G 和 D，直到生成器生成的数据足够接近真实数据。

GAN 的目标函数可以表示为一个最小-最大问题：

[

\min_G \max_D V(G, D) = \mathbb{E}{r \sim P_r}[\log D®] + \mathbb{E} {z \sim P_z}[\log(1 - D(G(z)))]

]

判别器的目标

判别器希望最大化：

[

V(D) = \mathbb{E}{r \sim P_r}[\log D®] + \mathbb{E} {z \sim P_z}[\log(1 - D(G(z)))]

]
- 第一项 ( \mathbb{E}_{r \sim P_r}[\log D®] )：表示判别器对真实数据的预测准确性。
- 第二项 ( \mathbb{E}_{z \sim P_z}[\log(1 - D(G(z)))] )：表示判别器对生成数据识别为假的准确性。
生成器的目标

生成器希望最小化：

[

V(G) = \mathbb{E}_{z \sim P_z}[\log(1 - D(G(z)))]

]
- 生成器的目标是生成能让 ( D(G(z)) ) 尽可能接近 ( 1 ) 的数据，从而骗过判别器。
最小-最大博弈
- 判别器 ( D ) 希望最大化目标函数。
- 生成器 ( G ) 希望最小化目标函数。
- 这种对抗的关系让它们互相推动，最终生成器会变得越来越强，能够生成接近真实分布的数据。

假设我们用 GAN 来生成"假钞"：

虽然 GAN 很强大，但也有一些挑战：

GAN 的应用非常广泛，包括但不限于：

R1 正则项是一种通过对判别器的梯度进行惩罚的方法，用于鼓励判别器将生成器生成的图像与真实图像区分开来。

具体来说，在 R1 正则项中，我们首先计算判别器对真实图像的预测结果，并求出其对输入图像的梯度。然后，我们计算这些梯度的平方，并对它们进行求和，最后取平均值。这个平均值就是 R1 正则项，用于对判别器的预测结果进行惩罚。对于生成器的输出，我们同样可以对其进行类似的处理，得到对应的 R1 正则项。