我們就開始來玩玩看 GAN Lab 吧，先聊一下他整個的訓練過程。一開始我們要先選一個真實的樣本集，然後看是否要使用預訓練的模型，然後按下執行就開始運作了。他在訓練時，會持續的調整二個網路。

第一個部份是訓練鑑別網路(discriminative network)
過程大致是：

• 生成器(Generator)從噪聲(noise)中提取樣本
• 鑑別器(Discriminator)對樣本進行分類
• 計算鑑別器損失
• 計算鑑別器梯度(gradients)
• 根據梯度更新鑑別器

第二個部份是訓練生成網路(generative network)
過程大致是：

• 生成器(Generator)從噪聲(noise)中提取樣本
• 鑑別器(Discriminator)只對假樣本進行分類
• 計算生成器(Generator)損失
• 計算生成器梯度(gradients)
• 根據梯度更新生成器

再來介紹一下介面。

跟 tensorflow playground 一樣，在這裡，你可以選擇你的真實樣本，是否要用預訓練的模型。

下面就是生成式對抗網路的架構。你可以看到二個網路串在一起左下生成網路(generative network),右上是鑑別網路(discriminative network)。

是不是跟昨天介紹的架構長很像。

圖片來源：Thalles Silva

畫面的右邊是顯示真實的樣本集分佈與生成器產生的樣本集分佈。

最右邊的是損失值的走勢。

較深的綠色表示該區域中的樣本更可能是真實的。 較深的紫色，更可能是假的。

隨著GAN接近最佳值，整體的熱圖將整體呈灰色，這表明辨別器不再能夠輕易地將假示例與真實示例區分開。你可以看到下圖，真實的樣本，跟由生成器(Generator)產生出來的樣本，分布已經很像了。

之後你可以再調整更細部的設定，像是訓練率和神經網路的層數與神經元的個數。

以上就是 GAN Lab 的操作介紹。藉由這個視覺化的網站，可以更容易了解 GAN 運作原理，真的是很棒，感謝開發的團隊。

好，第24天，結束。

參考
GAN Lab
GAN Lab: Understanding Complex Deep Generative Models using Interactive Visual Experimentation
谷歌带来GAN入门神器：浏览器上运行的可视化工具GAN Lab
ffhq-dataset