為了解決這個(gè)問題，我們引入了判別器D！

現(xiàn)在GAN的結(jié)構(gòu)就完備了??！

對(duì)于生成器G：

1. G 是一個(gè)函數(shù)，輸入 ，輸出（上面已經(jīng)介紹了）

   

2. 先驗(yàn)分布 , 和G共同決定的分布

對(duì)于判別器D:

1. D是一個(gè)函數(shù)，輸入，輸出一個(gè)scalar
2. D用于評(píng)估和之間的差異（解決上一小節(jié)提出的問題）

那么，GAN的最終目標(biāo)-->用符號(hào)化語言表示就是：

我們的目標(biāo)是得到使得式子最小的生成器.

關(guān)于V：

給定G， 衡量的就是分布和的差異。

因此，也就是我們需要的使得差異最小的 G .

詳細(xì)解釋 V(G,D) ：

對(duì)于:

固定G ，最優(yōu) 最大化：

假設(shè)D(x) 可以表達(dá)任何函數(shù)

此時(shí)再固定 x ，則對(duì)于 ，我們可將其看成是關(guān)于D的函數(shù)：

解得

即：

則此時(shí)對(duì)于原式 V(G,D) （將代入）：

JSD表示JS散度，它是KL散度的一種變形，也表示兩個(gè)分布之間的差異：

與KL散度不同，JS散度是對(duì)稱的。

以上的公式推導(dǎo)，證明了確實(shí)是衡量了 和 之間的差異。

此時(shí)，最優(yōu)的G：

也就是使得最小的G

當(dāng)時(shí)，表示兩個(gè)分布完全相同。

對(duì)于 ，令

我們該如何優(yōu)化從而獲得呢？？？

我們希望通過最小化損失函數(shù)L(G) ，找到最優(yōu)的G。

這一步可以通過梯度下降實(shí)現(xiàn)：

具體算法參考：

第一代：

1. 給定(隨機(jī)初始化）

• 確定 使得 V(,D) 最大。此時(shí) V(,) 表示和 的JS散度

• 梯度下降： .得到

  

第二代：

2. 給定

• 確定 使得V(,D) 最大。此時(shí)V(,)表示和的JS散度

• 梯度下降： .得到

  

。。。

后面的依此類推

以上算法有一個(gè)問題： 如何確定使得 V (D ,G**)**** 最大？？？**

也就是：給定 G，如何計(jì)算

回答：

從采樣

從采樣

因此我們可以將從期望值計(jì)算改寫為對(duì)樣本計(jì)算（近似估計(jì)）：

這很自然地讓我們想到二分類問題中常使用的交叉熵loss

因此，我們不妨聯(lián)想：

D是一個(gè)二分類器，參數(shù)是

來自的采樣作為正樣本

來自的采樣作為負(fù)樣本

那么此時(shí)，我們就將問題轉(zhuǎn)化成了一個(gè)二分類問題：

交叉熵loss大 -->和 JS散度小

交叉熵loss小 -->和 JS散度大

此時(shí)，D就是可以使用一個(gè)神經(jīng)網(wǎng)絡(luò)作為二分類器，那么確定D，也就是可以使用梯度下降來優(yōu)化獲得D的最終參數(shù)。

GAN的最終算法流程：

初始化參數(shù)（for D）和（for G）

對(duì)于訓(xùn)練的每一輪：

第一部分 學(xué)習(xí)優(yōu)化判別器D：

• 從采樣

• 從 采樣

  

• 通過生成器 獲得生成樣本

  

• 梯度下降更新來最大化 ：

  :

  

注：以上第一部分可以重復(fù)多次：此過程本質(zhì)上是在測量兩分布之間的JS散度

第二部分 學(xué)習(xí)優(yōu)化生成器G：

• 再從采樣另一組
• 梯度下降更新來最小化 ： : .實(shí)際上第一項(xiàng)與G無關(guān)，梯度下降只需最小化即可。

注：以上過程僅一次

最后的話：

其實(shí)在GAN之前，就已經(jīng)有Auto-Encoder，VAE這樣的方法來使用神經(jīng)網(wǎng)絡(luò)做生成式任務(wù)了。

GAN的最大的創(chuàng)新就是在于非常精妙地引入了判別器，從樣本的維度解決了衡量兩個(gè)分布差異的問題。

這種生成器和判別器對(duì)抗學(xué)習(xí)的模式，也必將在各種生成式任務(wù)中發(fā)揮其巨大的威力。