生成式對抗網絡（GAN, Generative Adversarial Networks ）是一種深度學習模型

GAN兩個核心模塊

GAN核心是兩個模塊。
1.生成器模塊 --generator
2.判別器模塊--desciminator

GAN通俗原理解釋

為了通俗的解釋GAN原理，可以類比為偽造貨幣的例子（這個比方純粹為了解釋）
現在有個偽造貨幣的任務。
你有一堆真實的貨幣，一個可以不斷提高鑒別能力的鑒定貨幣真偽的設備，還有一個可以提高偽造能力的偽造貨幣的設備。

1.我們繼續不斷的強化鑒定設備的 鑒定能力，盡全力讓他能將真幣識別為真幣，將價比識別為價幣。（鑒定結果是一個0到1之間的概率。越接近0，說明鑒定結果越是假幣）
2.我們讓偽造設備不斷的偽造假幣，將假幣真幣混合在一起，交給鑒定設備鑒定。根據鑒定結果（概率），我們不斷改善偽造設備，使偽造的假幣被鑒定為真的概率持續提高。
現在形成了矛與盾的局面。一個偽造貨幣設備，和鑒定貨幣真偽設備的持續較量，兩者都不斷的從對抗中吸取經驗、教訓，提高自己。

兩者不斷的對抗，兩者的能力都持續不斷的提高，最終我們得到了一個貨幣鑒定專家，一個偽造貨幣天才，而且這個偽造貨幣天才，學習能力超級強。將它制造的假幣和真幣混在一起之後，我們這個鑒定專家，已經區分不出來，都認為是真的貨幣 了。
那麽，現在偽造貨幣設備偽造的貨幣，在市面上就可以認為是真的了。因為，我們那個高級的鑒別設備，都已經無法區分他是否是真的，更不要說其他普通的鑒定設備了。

GAN原理總結

如上所述，GAN生成式對抗網絡的原理即：在一個不斷提高判斷能力的判斷器的持續反饋下，不斷改善生成器的生成參數，直到生成器生成的結果能夠通過判斷器的判斷。

歡迎轉載，轉載請註明出處。歡迎溝通交流： [email protected]）

GAN生成式對抗網絡的原理