GAN（Generative Adversarial Nets）生成对抗网络
摘要
作者通过一个叫对抗的过程同时训练两个模型
第一个模型叫生成模型G：用于抓取整个数据的分布？（应该是可以生成各种数据分布，例如生成图片 文本 电影等）
第二个模型叫辨别模型D：用于估计你的样本是训练域的还是生成域的。（类似于猫狗识别，分辨你是哪个动物（2分类）。这里是分辨你是哪个域的（2分类））
两个模型的任务不同，生成模型G是尽量想让辨别模型D犯错。模型D则是尽量辨别出图片（或其他数据）是训练域的还是生成域的。
举例：一个罪犯造假币，一个警察分辨假币。双方在互相博弈的过程中，罪犯会提高自己造假币的水平，警察会提高自己分辨假币的水平。到最后如果罪犯能够造出让警察都分辨不出来的假币，那罪犯就相当于造真币了。
用在神经网络上，我们就可以通过生成模型来生成和真实数据一样的数据了。
导论
作者说深度学习是用来去发现一些丰富的，有层次的模型。这些模型是能够对AI里面的各种应用的各种数据，能够做一个概率分布的表示。
即深度学习不仅仅是深度神经网络，更多的是对整个数据分布的一个特征的表示（不知道啥意思。。。。。没看懂）
作者说，现在深度学习中，辨别模型已经很好了（即图像识别之类的），但是生成模型还是比较差。难点来自于最大化似然函数的时候，对于概率分布需要很多的近似，这个近似带来了很大的计算困难。作者想不搞似然函数了，用别的方法来得到一个计算上更好的模型。
在这个框架下，生成模型是一个MLP（multilayer perceptron），它的输入是一个随机的噪音。MLP能够把产生随机噪音的一个分布（通常是高斯分布）可以映射到任何一个我们想要去拟合的分布上。判别模型也是MLP，因此在训练的时候可以直接通过误差的反响传递，从而不需要使用马尔科夫链算法来对一个分布进行复杂的采样（看不懂这里。。。。。。。。。。）
考完研以后看懂了具体计算再更新了。。。。。。。呜呜呜
|