《Generative Adversarial Nets》-GAN：生成对抗网络，一场伪造者与鉴定师的终极博弈

目录

[📌一、AI 识别世界的两种方式](#📌一、AI 识别世界的两种方式)

[📌二、 GAN的大致框架](#📌二、 GAN的大致框架)

2.1框架构建

[2.2对抗训练（Minimax Two-Player Game）](#2.2对抗训练（Minimax Two-Player Game）)

2.3优化与训练

[2.4 计算优势](#2.4 计算优势)

[三、传统方法与生成模型（Generative Machines）的对比🎨](#三、传统方法与生成模型（Generative Machines）的对比🎨)

[3.1 传统方法（基于最大化似然估计）](#3.1 传统方法（基于最大化似然估计）)

[3.2生成模型（Generative Machines）](#3.2生成模型（Generative Machines）)

四、为什么可以通过误差的反向传递来对GAN进行求解？

五、生成对抗网络与"对抗示例"的区别

[六、模型 🔥](#六、模型 🔥)

[6.1 G&&D](#6.1 G&&D)

[6.2 对抗目标函数](#6.2 对抗目标函数)

[6.3 如何做minimax对抗训练？](#6.3 如何做minimax对抗训练？)

[6.4 算法](#6.4 算法)

[6.5 GAN的模型缺陷](#6.5 GAN的模型缺陷)

[6.6 理论证明 🔍](#6.6 理论证明 🔍)

七、评价✍

[7.1 优点](#7.1 优点)

[7.2 缺点](#7.2 缺点)

---

资源

论文：[1406.2661] Generative Adversarial Networks

根据李沐老师的讲解加上笔者个人的理解做的一个笔记，希望能够对想了解GAN的求学者有所帮助！

📌一、AI 识别世界的两种方式

在人工智能（AI）的世界里，机器学习算法常被分为判别式模型 和生成式模型两大阵营

判别式模型：判别式模型的目标是直接学习数据的决策边界，即在已知数据分布的情况下，判断输入数据属于哪个类别。例如，给定一张图片，它会回答："这是猫🐱还是狗🐶？"

关键词：分类、决策边界、概率估计

1. 逻辑回归（Logistic Regression）

2. 支持向量机（SVM）

3. 线性判别分析（LDA）

4. 决策树、随机森林

5. 深度神经网络（DNN）、BERT

6. 条件随机场（CRF）

生成式模型：学生成式模型试图学习数据的全部分布，不仅仅是分类，还要学会如何生成相似的数据。例如，它可以生成猫🐱的图片，而不仅仅是识别猫。

关键词：数据分布、特征学习、数据生成

1. 朴素贝叶斯（Naïve Bayes）

2. 高斯混合模型（GMM）

3. 隐马尔可夫模型（HMM）

4. 变分自编码器（VAE）

5. 生成对抗网络（GAN）

6. Diffusion Models（扩散模型）

GAN（Generative Adversarial Network） 是由 Ian Goodfellow 在 2014 年提出的一种神经网络架构，它巧妙地结合了判别式模型和生成式模型，形成了一种"对抗学习"机制。

📌二、 GAN的大致框架

该框架是一种对抗性训练方法，通过生成模型 G 和 判别模型 D 之间的博弈来估计数据分布，从而提升生成质量。

2.1框架构建

• 生成模型 G 负责生成数据，目标是学习真实数据分布，使生成数据尽可能接近真实数据。

• 判别模型 D 负责区分数据是真实的还是 G 生成的，目标是提高分类准确率。

• 二者对抗：G 试图欺骗 D，使其误判；D 则不断优化，以提高识别能力。

2.2对抗训练（Minimax Two-Player Game）

• 该过程可建模为一个最小化-最大化博弈问题，即：

  • G 试图最大化 D 误判的概率。

  • D 试图最小化分类错误率。

• 在最优情况下，G 生成的数据与真实数据分布完全一致，D 无法区分两者（分类准确率接近 50%）。

2.3优化与训练

• G 和 D 可以使用多层感知机（MLP）训练，并通过误差反向传播优化参数。

• 该方法不依赖马尔科夫链或复杂的推理过程，相较于传统方法更简单高效

2.4 计算优势

G 的输入是随机噪声 （如高斯分布），通过MLP （多层感知机）将其映射到目标数据分布。当 D 也是 MLP 时，该方法被称为Adversarial Nets（对抗网络）。

由于两个网络均为 MLP ，训练时可以直接使用误差反向传播，无需使用马尔科夫链等复杂采样方法，因此计算效率更高。

结果：G 生成的样本不断接近真实数据，最终判别模型 D 无法区分真假，达到最优生成效果。

三、传统方法与生成模型（Generative Machines）的对比🎨

3.1 传统方法（基于最大化似然估计）

• 目标：构造一个明确的概率分布，并通过最大化对数似然函数来优化参数。

• 计算问题：

  • 需要显式定义概率密度函数（如高斯分布、指数分布）。

  • 高维情况下计算复杂，因为涉及对概率分布的采样和积分运算，计算成本高。

• 结果：可以得到一个明确的分布，包括均值、方差等统计参数。

3.2生成模型（Generative Machines）

• 目标：不去构造一个明确的概率分布，而是学习一个生成模型来近似目标分布。

• 计算优势：

  • 不需要显式定义概率密度函数，而是通过模型学习数据分布。

  • 计算更高效，尤其在高维数据情况下，不用进行复杂的积分计算。

• 缺点：最终学习出的模型虽然可以生成数据 ，但不容易知道它的真实概率分布是什么样的。

四、为什么可以通过误差的反向传递来对GAN进行求解？

在 GAN（生成对抗网络）中，我们可以通过误差的反向传播来优化模型，主要原因之一是 对 f的期望求导等价于对 f 自身求导 。这个性质使得在训练 GAN 时，可以直接对损失函数进行梯度下降 ，GAN 的目标函数是可微的，并且判别器和生成器都是神经网络 ，可以通过 误差的反向传播（Backpropagation） 计算梯度并更新参数。

五、生成对抗网络与"对抗示例"的区别

• GAN（生成对抗网络） ：就像是两个模型在玩"谁能更好地骗过对方"的游戏。一个模型（生成器）负责生成假的数据（比如假照片），另一个模型（判别器）负责判断这些数据是不是假的。最终，生成器学会了生成越来越像真的数据，而判别器则变得越来越难以分辨真假数据。这个过程可以用来创造新数据，比如AI画图、生成音乐或者视频。

• 对抗示例 ：这就像是给现有的数据做微小的"恶作剧" ，通过一些小的、几乎看不见的改变，故意让模型做出错误的判断。比如，在图片上加点小噪音，让计算机看错，或是让自动驾驶的系统误判交通标志。这个技术主要用于测试模型的安全性，看看它能不能抵抗这些"恶作剧"。

简而言之，GAN是用来创造 新数据，而对抗示例是用来攻击模型，看看它能不能识别和抵抗这些"骗局"。

六、模型 🔥

6.1 G&&D

6.2 对抗目标函数

6.3 如何做minimax对抗训练？

V（G，D）是一个价值函数；公式右边第一项是期望，x是采样真实分布；公式右边第二项是期望，x是采样噪音分布；在D是完美的情况下，公式右边的两项应该都是等于0的；如果D不完美、有误分类的情况下，这两项因为log的关系，都会变成一个负数值；所以如果想要辨别器完美地分类这两类的话，就应该最大化D的值，最小化G，目标函数中有两个东西，一个是min，一个是max，和一般的训练步骤有所区别，一般只有一个min，或者只有一个max，这里既有min又有max，就是两个模型在相互对抗：D是尽量把数据分开，G是尽量使生成数据分不开，这个在博弈论中叫两人的minimax游戏

如果达到了一个均衡，就是D不能往前进步，G也不能往前进步了，就认为达到了均衡，这个均衡叫做纳什均衡（嘻嘻这个在博弈论这门课上了解过，没想到半年后阅读GAN论文时还能碰到）

（a）表示第一步的时候，生成器将均匀分布进行映射，图中绿色的线就是把z映射成了一个高斯分布，此时辨别器视图中蓝色的线，表现一般

（b）表示更新辨别器，尽量把这两个东西分开，两个高斯分布的最高点表示真实分布和噪声最有可能出现的地方，辨别器要在真实分布的地方值为1，在噪音分布的地方值为0，这样就可以尽量将来自真实分布的x和来自于生成器的x尽量分别开来

（c）表示尽量更新生成器，使得能够尽量糊弄到辨别器（就是将生成器生成的高斯分布的峰值尽量左移，向真实数据的高斯分布进行靠拢），让辨别器犯错，这时候辨别器就需要尽量调整来把这两个细微的区别区别开来。

（d）表示通过不断地调整生成器和辨别器，直到最后生成器的模型能够将来自均匀分布的随即噪音z映射成几乎跟真实分布差不多融合的高斯分布，即从真实的黑点中采样还是从生成器的绿线采样，辨别模型都是分辨不出来的（不管来自于哪个分布，辨别器对这每个值的输出都是0.5，这就是GAN最后想要的结果：生成器生成的数据和真实数据在分布上是完全分别不出来的，辨别器最后对此无能为力）

6.4 算法

**关于k?**k是一个超参数，k不能取太小，也不能取太大，需要辨别器有足够的更新但也不要更新的太好。如果没有足够好的更新，对新的数据，生成器生成的东西已经改变了，如果辨别器没有做相应的变化，那么再更新生成器来糊弄D其实意义不大；反过来讲如果将D训练到足够完美，log(1-D(G(z)))就会变成0，对0进行求导，生成模型的更新就会有困难。

6.5 GAN的模型缺陷

1、D和G的损失函数呈动态博弈关系，D的损失下降可能对应G的损失上升（反之亦然），传统单模型收敛指标（如损失曲线平稳）不适用。

2、早期训练容易出现梯度消失问题：当G较弱时，生成数据 G(z)G (z) 与真实数据差异显著，D可轻松区分（D(G(z))→0），导致目标函数第二项 log⁡(1−D(G(z)))→0.

改进策略：

6.6 理论证明 🔍

结论一：最优判别器的数学形式

结论二：生成器的目标等价于最小化JS散度

JS散度和KL散度的区别：JS散度是对称的，而KL不是对称的，不能将p和q进行互换，但是对于JS散度，将p和q进行互换也是可以保持不变的，所以说它是一个对称的散度，而KL是一个不对称的散度，因为GAN是一个对称的散度，所以使得它在训练上更加容易

七、评价✍

7.1 优点

1. 无监督学习：

   • 无需人工标注标签：直接利用真实数据分布进行训练，通过生成器（G）与判别器（D）的对抗博弈隐式学习数据内在结构。

   • 自监督思想的先驱：通过构造"真/假"二元分类任务（监督式损失函数）实现无监督学习，为后续自监督模型（如BERT的掩码语言建模）提供灵感。

2. 生成高质量数据：

   • 逼真样本生成：在图像、音频、文本等领域可生成高分辨率、细节丰富的样本（如4K游戏画面、人脸图像）。

   • 创造性应用：如风格迁移、图像修复、文本到图像生成等。

3. **高效训练信号：**判别器提供动态训练信号，迫使生成器持续改进，相比传统生成模型（如VAE）更直接。

7.2 缺点

1、训练不稳定：G和D需要比较好的均衡，如果没有均衡好的话会导致生成的图片比较差

2、计算资源消耗大