[人工智能训练师]生成对抗网络（GAN）

一、原理解释：对抗即学习

GAN 的核心不是"拟合数据"，而是博弈。两个网络共享同一片数据战场：

网络	输入	输出	心理活动
判别器 D	真实样本 x 或生成样本 G(z)	概率 D(x) ∈ $0,1$	"我要练出一双火眼金睛"
生成器 G	随机噪声 z ~ p(z)	假样本 G(z)	"我要让 D 看不出破绽"

训练动态 ：D 给 G 提供"梯度信号"------G(z) 被 D 识破得越多，G 就知道该往哪个方向改进。最终达到纳什均衡：G 完美复刻真实分布，D 只能随机猜测（准确率 50%）。

二、数学公式：从目标函数到最优解

1. 价值函数（ minimax 博弈）

min⁡Gmax⁡DV(D,G)=Ex∼pdata(x) $logD(x)$ +Ez∼pz(z) $log(1-D(G(z)))$ \min_G \max_D V(D, G) = \mathbb{E}{x \sim p{data}(x)} $\\log D(x)$ + \mathbb{E}_{z \sim p_z(z)} $\\log(1 - D(G(z)))$ GminDmaxV(D,G)=Ex∼pdata(x) $logD(x)$ +Ez∼pz(z) $log(1-D(G(z)))$

D 的目标 ：最大化 V(D,G)V(D,G)V(D,G)，即让真实样本得分高、假样本得分低
G 的目标 ：最小化 V(D,G)V(D,G)V(D,G)，即让 D(G(z))D(G(z))D(G(z)) 接近 1（骗过 D）

2. 判别器的最优解（固定 G 时）

对任意给定的 G，最优判别器为：

DG∗(x)=pdata(x)pdata(x)+pg(x)D^*G(x) = \frac{p{data}(x)}{p_{data}(x) + p_g(x)}DG∗(x)=pdata(x)+pg(x)pdata(x)

其中 pgp_gpg 是生成器隐式定义的分布。此时 D 是在做贝叶斯最优分类。

3. 全局最优（纳什均衡）

当 pg=pdatap_g = p_{data}pg=pdata 时，D∗(x)=12D^*(x) = \frac{1}{2}D∗(x)=21，此时价值函数达到全局最小值：

V(D∗,G∗)=−log⁡4V(D^*, G^*) = -\log 4V(D∗,G∗)=−log4

4. 生成器的等价目标（实际训练用）

原始公式中 log⁡(1−D(G(z)))\log(1-D(G(z)))log(1−D(G(z))) 在训练初期梯度极小（因为 D 很容易识破 G），导致 G 学习缓慢。因此实际采用非饱和目标：

max⁡GEz∼pz(z) $logD(G(z))$ \max_G \mathbb{E}_{z \sim p_z(z)} $\\log D(G(z))$ GmaxEz∼pz(z) $logD(G(z))$

这等价于最小化 pdatap_{data}pdata 与 pgp_gpg 之间的 Jensen-Shannon 散度。

三、举例说明：伪造名画的博弈

想象两个角色：

画家（生成器 G）：从未见过真迹，只从鉴定专家那里得到反馈。起初他画的是涂鸦，专家一眼看穿。画家不断调整笔触、色彩、构图。
专家（判别器 D）：见过大量真迹，也见过画家的赝品。起初赝品太假，专家轻松识别。但随着画家技艺精进，专家必须更仔细地观察笔触细节、颜料氧化痕迹。

博弈过程：

第 1 轮：画家画了一只四不像的"猫"，专家笑出声 → 画家知道要画得像猫
第 50 轮：画家能画出猫的轮廓，但眼睛位置不对 → 专家指出"眼神不对"
第 200 轮：画家画的猫与照片几乎无差，专家只能抛硬币猜测 → 均衡达成

对应到 GAN：

画家的"画布"就是神经网络的输出
专家的"鉴定报告"就是判别器的输出概率
画家的"改画方向"就是生成器损失的反向传播梯度

四、伪代码：训练循环的本质

python 复制代码

# 超参数
lr = 0.0002
batch_size = 64
z_dim = 100
k = 1  # 每训练 G 一次，训练 D 的次数

# 网络
G = Generator(input_dim=z_dim, output_dim=data_dim)   # 生成器
D = Discriminator(input_dim=data_dim)                  # 判别器
opt_G = Adam(G.parameters(), lr=lr)
opt_D = Adam(D.parameters(), lr=lr)

for epoch in range(num_epochs):
    for real_data in dataloader:           # real_data ~ p_data(x)
        batch_size = real_data.size(0)
        
        # ========== 训练判别器 D ==========
        for _ in range(k):
            z = sample_noise(batch_size, z_dim)   # z ~ p(z)
            fake_data = G(z).detach()              # 假样本，不计算G的梯度
            
            d_real = D(real_data)                  # D(x)
            d_fake = D(fake_data)                  # D(G(z))
            
            # 最大化 log(D(x)) + log(1-D(G(z)))  →  最小化负值
            loss_D = -mean(log(d_real) + log(1 - d_fake))
            
            opt_D.zero_grad()
            loss_D.backward()
            opt_D.step()
        
        # ========== 训练生成器 G ==========
        z = sample_noise(batch_size, z_dim)
        fake_data = G(z)
        
        d_fake = D(fake_data)                      # D(G(z))
        
        # 非饱和目标：最大化 log(D(G(z)))
        loss_G = -mean(log(d_fake))
        
        opt_G.zero_grad()
        loss_G.backward()                          # 梯度通过 D 传回 G
        opt_G.step()
        
        # 打印状态
        print(f"D_loss: {loss_D:.3f} | G_loss: {loss_G:.3f}")

关键细节：

fake_data.detach()：训练 D 时，G 的参数不更新
loss_G 的梯度流经 D 再回传 G，因此 D 必须是可微的
实际实现中常用 BCEWithLogitsLoss 替代手工 log，数值更稳定

五、应用场景：从实验室到产业

1. 图像生成与编辑

StyleGAN / StyleGAN2：生成 1024×1024 级超逼真的人脸（thispersondoesnotexist.com）
DALL-E / Stable Diffusion：文本到图像生成，底层思想源于 GAN 的对抗训练

2. 图像到图像翻译

Pix2Pix：有监督的图像翻译（素描 → 照片、卫星图 → 地图）
CycleGAN：无监督的域迁移（马 ↔ 斑马、夏天 ↔ 冬天、照片 ↔ 莫奈风格）

3. 数据增强（稀缺数据场景）

医疗影像：为罕见病灶生成合成 CT/MRI，扩充训练集
自动驾驶：生成极端天气、罕见交通场景的合成数据

4. 超分辨率与修复

SRGAN：将 64×64 低清图重建为 256×256 高清图，PSNR 指标外视觉质量更优
图像修复：填补缺失区域（老照片修复、水印去除）

5. 其他生成领域

WaveGAN：生成原始音频波形，用于音乐合成
MolGAN：生成满足化学约束的分子结构，用于药物发现
TextGAN：生成离散文本序列（因文本不可微，需配合 Gumbel-softmax 或强化学习）

总结

GAN 的精髓在于用对抗代替监督：没有"标准答案"告诉生成器该怎么做，只有一个越来越挑剔的裁判。生成器在欺骗裁判的过程中，学会了真实数据的本质结构。