GAN
GAN（Generative Adversarial Network，生成对抗网络）是深度学习中一种非常重要的生成模型框架，核心思想是通过"对抗 "来学习生成逼真的数据。可以从直觉 → 原理 → 数学 → 训练 → 变体 → 应用，全链路理解。
一、直觉理解：两个"对手"的游戏
GAN 由两个神经网络组成：
生成器（Generator, G）：负责"造假"（生成数据）
判别器（Discriminator, D）：负责"鉴别真假"
可以类比为：
👉 造假者 vs 鉴定专家
过程是：
1.G 生成一张"假图片"
2.D 判断这张图是真的还是假的
3.D 变得更会识别假货
4.G 也不断改进，让假图越来越像真的
最终目标：
让生成的数据"以假乱真 "，连判别器都分不出来
二、核心思想
GAN = 用对抗训练，让模型学会数据分布
三、数学原理
GAN 的目标函数是一个极小极大博弈：
第一部分：真实数据
如果这是真的，你就应该说"这很真！"
D(x) 越接近 1 → 越好
log 是用来"放大奖励"的（不用太纠结）
第二部分：生成数据
如果这是假的，你就应该说"这是假的！"
D(G(z)) 越接近 0 → 越好
三、判别器在干嘛？（max）
它的目标是：
真实数据 → D(x) = 1
假数据 → D(G(z)) = 0
你可以理解为：
D 在当一个"特别严格的鉴定专家"
四、生成器在干嘛？（min）
生成器在最小化这个公式
它只能影响这一项：
关键转化
生成器其实是在干：
让 D(G(z)) 变大（接近1）
也就是："我生成的假数据，你必须说它是真的！"
四、训练过程
训练是交替进行的：
Step 1：训练判别器 D
输入真实数据（标签=1）
输入生成数据（标签=0）
更新 D，让它更会分辨
Step 2：训练生成器 G
生成假数据
通过 D 判断
反向传播更新 G
👉 注意：此时 D 不更新！
Step 3：循环
不断重复：
训练 D → 训练 G → 训练 D → 训练 G
五、GAN 为什么有效？
核心原因：
👉 隐式学习数据分布
传统方法：
显式建模概率分布（很难）
GAN：
不建模分布
直接学"如何生成像真的"
六、收敛时的理想状态
理论上：
判别器无法区分真假
𝐷(𝑥)=0.5
👉 表示：
生成数据分布 ≈ 真实数据分布
七、常见问题
GAN 很强，但训练非常"脆弱"：
1️⃣ 不稳定
loss 不收敛
模型崩溃
2️⃣ 模式崩溃（Mode Collapse）
只生成一种样本
👉 比如：只会生成同一张脸
3️⃣ 梯度消失
D 太强 → G 学不到东西
八、GAN 的应用
🎨 图像生成
人脸生成（StyleGAN）
AI绘画
🧠 图像处理
超分辨率（SRGAN）
去噪、修复
🎭 风格迁移
照片 → 梵高风格
🎥 视频 / 动画
DeepFake
🧬 医疗
医学影像增强
GNN
（Graph Neural Network，图神经网络）
生活中的图结构：
社交网络（人 ↔ 人）
推荐系统（用户 ↔ 商品）
分子结构（原子 ↔ 键）
知识图谱（实体 ↔ 关系）
GNN 的核心思想
每个节点通过"邻居"来更新自己
假设你是一个节点：
你会做三件事：
1️⃣ 收集邻居信息
"我的朋友都是什么样的人？"
2️⃣ 聚合信息（Aggregation）
比如：平均、求和、加权
3️⃣ 更新自己（Update）
"结合邻居，我变成一个新的我"
数学表达
总结："我把邻居的特征拿过来，加权，然后更新自己"
三种经典 GNN 模型
1️⃣ GCN（Graph Convolutional Network）
2️⃣ GraphSAGE
不是用所有邻居，而是"采样邻居"
GAT（Graph Attention Network）
可以理解为每一层都是同一个节点，只不过是每层都在不断更新邻居，更新节点的表示，并逐层融合更远的信息。
第 k+1 层，依赖第 k 层的结果
意味着：
第1层用原始特征
第2层用第1层的结果
第3层用第2层的结果