课程进度 45% · 第7/14章第7/14章 · 标签 1/3
— 1 —
GAN基础理论
基本概念
GAN（生成对抗网络）是一种生成模型，由生成器(Generator)和判别器(Discriminator)两个网络组成：
- 生成器：输入随机噪声、输出生成的假样本、目标生成逼真的样本
- 判别器：输入真实样本或生成样本、输出样本为真的概率、目标准确区分真假样本
- 对抗训练：生成器和判别器相互对抗，生成器试图欺骗判别器，判别器试图识破生成器
— 2 —
训练过程
GAN的训练过程是一个极小极大博弈：
- 判别器训练：最大化真实样本的判别概率、最小化生成样本的判别概率、使用二元交叉熵损失函数
- 生成器训练：最大化生成样本的判别概率、欺骗判别器认为生成样本为真、使用对抗损失函数
- 训练技巧：交替训练生成器和判别器、使用标签平滑化、添加噪声增加稳定性
GAN变体
GAN的几种主要变体：
- DCGAN：使用卷积神经网络、更稳定的训练过程、更好的生成质量
- WGAN：使用Wasserstein距离、解决模式崩溃问题、更稳定的训练
- CycleGAN：无配对图像转换、循环一致性损失、风格迁移应用