李宏毅机器学习2016 第十六讲 生成对抗网络 GAN

视频链接：李宏毅机器学习(2016)_演讲•公开课_科技_bilibili_哔哩哔哩课程资源：Hung-yi Lee课程相关PPT已经打包命名好了：链接：https://pan.baidu.com/s/1c3Jyh6S 密码：77u5
我的第十五讲笔记：李宏毅机器学习2016 第十五讲 无监督学习 生成模型之 VAE

Generative Adversarial Network

本章主要讲述了生成对抗网络的原理及作用。
生成对抗网络由Goodfellow在2014年提出。GAN由生成器和判别器组成。生成器的功能是输入一个样本将其输出成一个逼真的样子，判别器来判断输入的样本是真的还是伪造的。


判别网络的目的：就是能判别出来属于的一张图它是来自真实样本集还是假样本集。例如输入的是真样本，网络输出就接近1，输出的是假样本，网络输出接近0。判别器


生成网络的目的：生成网络是造样本，它的目的就是使得自己造样本的能力尽可能强，强到什么程度呢，判别网络没法判断我是真样本还是假样本。生成器


GAN的优化是一个极小极大博弈问题，最终的目的是生成器（generator）的输出给判别器（discriminator）时很难判断是真实的还是伪造的。


GAN强大之处在于可以自动的学习原始真实样本集的数据分布传统机器学习方法，会定义一个什么模型让数据去学习，假设我们知道原始数据属于高斯分布，只是不知道高斯分布的参数，这个时候我们会定义高斯分布，然后利用数据去学习高斯分布的参数得到最终的模型。 然而从随机噪声到人脸应该服从什么分布，我们不知道，然而GAN机制可以学习到，也就是说GAN学习到了真实样本集的数据分布。GAN强大之处在于可以自动的定义潜在损失函数判别网络可以自动学习到一个好的判别方法，其实就是等效的理解为可以学习到好的损失函数，来比较好或者不好的判别出来结果。虽然大的loss函数还是人为定义的，基本上对于多数GAN也都这么定义就可以来，但是判别网络潜在学习到的损失函数隐藏在网络之中，不同的问题这个函数就不一样，所以说可以自动学习这个潜在的损失函数。
GAN在实践上的问题。