# 生成对抗网络

> 生成对抗网络（英语：Generative Adversarial Network，简称GAN）是非监督式学习的一种方法，通过两个神经网路相互博弈的方式进行学习。该方法由伊恩·古德费洛等人于2014年提出。 生成对抗网络由一个生成网络与一个判别网络组成。生成网络从潜在空间（latent space）中随机取样作为输入，其输出结果需要尽量模仿训练集中的真实样本。判别网络的输入则为真实样本或生成网络的输出，其目的是将生成网络的输出从真实样本中尽可能分辨出来。而生成网络则要尽可能地欺骗判别网络。两个网络相互对抗、不断调整参数，最终目的是使判别网络无法判断生成网络的输出结果是否真实。 生成对抗网络常用…

- ID: m03716
- 分类: decide
- 领域: 博弈论

## 定义

由两个网络组成：生成器（造假币的）试图生成逼真的数据骗过判别器；判别器（验钞机）试图识别真伪。两者在博弈中互相进化，最终生成器能造出以假乱真的数据。脚手架作用：左右互搏。自我提升的最佳方式是分裂出两个自我：一个负责做（生成器），一个负责挑刺（判别器）。在团队中，设立专门的“蓝军”或“红队”来攻击自己的方案。

## 机制

生成对抗网络由两个神经网络对抗训练：生成器制造假样本，判别器区分真假，二者博弈使生成质量不断提升。由 Goodfellow 于 2014 年提出。

## 练习

构建生成器与判别器并定义对抗损失。交替训练双方至纳什均衡附近。用判别器收敛度评估。

## 脚手架用法

左右互搏。自我提升的最佳方式是分裂出两个自我：一个负责做（生成器），一个负责挑刺（判别器）。在团队中，设立专门的“蓝军”或“红队”来攻击自己的方案。

[阅读网页](https://thinkingmodels.site/entries/detail/m03716)