前言

前面幾天我們介紹的Autoencoder以及相關變體並實作出來，而今天我們要進入我們第二個主題—生成對抗網路(GAN)，而之後也會分享相關變體的介紹與實作，那我們廢話不多說，正文開始！

正文

什麼是生成對抗網路？

GAN（Generative Adversarial Network，生成對抗網絡）是一種深度學習模型，由Ian Goodfellow和他的同事於2014年提出，並快速的發展，以下是每年新出現的GAN數量

圖源：gan zoo

架構

與Autoencoder不同，GAN的核心思想是由兩個互相競爭的神經網絡組成，分別是生成器與判別器，接下來就分別介紹這兩個是甚麼吧!

1. 生成器（Generator）：生成器的目標是生成與真實數據相似的合成數據。它接受noise或其他輸入，然後通過多層神經網路生成數據。生成器的目標是使其生成的數據看起來越真實越好。
2. 判別器（Discriminator）：判別器的目標是區分真實數據和生成器生成的合成數據。它也是一個多層神經網路。判別器的目標則是努力分辨出誰是真是假。

生成器與判別器的關係就好比偽造畫的藝術家以及鑑定人員，藝術家必須想辦法讓偽造的作品越逼真越好，而鑑定人員則需要想辦法分辨出哪個是偽造的。

以下是GAN的流程圖

圖源：github

一開始生成器完全不懂，所以先使用隨機的噪聲生成圖片，在讓判別器進行辨識始，而判別器也會表現得不太好，因為它還不知道如何區分真實和假的數據。

訓練方式為兩者輪流訓練，如當生成器在訓練時，判別器就暫停訓練，單純輸出結果

經過幾輪訓練後，生成器會生出更逼真的假貨，而判別器則會提升辨識的能力，雙方都會為了勝過對方而不斷進步

損失函數

GAN的目標是最小化生成器和判別器之間的差異。生成器的損失是它生成的數據被判別器誤認為是假數據的概率，而判別器的損失則是其對真實和假數據的分辨能力。這兩個損失相互競爭，稱為對抗損失。

反向傳播

生成器和判別器通過反向傳播算法進行參數更新，以最小化各自的損失。生成器努力生成更逼真的數據，而判別器努力提高分辨真假的能力。

除了基本的生成對抗網絡（GAN），還有許多變種和改進版本的GAN，每個都有不同的架構和目的，詳情可以去看Github的gan zoo，裡面有各式各樣的GAN

以下是一些常見的GAN變種：

1. onditional GANs (cGANs)：在傳統的GAN中，生成器只是生成數據，而在條件GAN中，生成器和判別器都接受附加信息，稱為條件，以控制生成的內容。這種GAN的一個應用是生成特定風格的圖像。
2. Deep Convolutional GANs (DCGANs)：DCGANs使用卷積神經網絡（CNN）作為生成器和判別器的組件，特別適用於圖像生成任務。它們通常能夠生成更逼真的圖像。
3. CycleGANs：CycleGANs用於圖像風格轉換，可以將一種類型的圖像轉換為另一種，例如將馬轉換為斑馬，而無需成對的訓練數據。
4. Wasserstein GANs (WGANs)：WGANs引入了Wasserstein距離作為損失函數，有助於解決傳統GAN中的許多問題，如模式崩潰和訓練不穩定性。
5. Progressive GANs：Progressive GANs通過逐步增加生成器和判別器的分辨率，以生成高分辨率圖像。它們可以生成非常逼真的圖像，包括逼真的人臉。
6. StyleGANs：StyleGANs是用於生成逼真人臉的變種，它們控制圖像的風格和細節，以生成高度逼真的人像。

總結

以上就是今天稍微介紹GAN的內容啦，明天將會分享GAN的Autoencoder的關聯性與差異性，那我們明天見！