生成對抗網絡（ Generative Adversarial Network ，簡稱 GAN ）

被稱為「生成對抗網絡」，是因為包含兩個互相對抗的神經網絡，生成器（ Generator ，簡稱 G ）和判別器（ Discriminator ，簡稱 D ）
屬於非監督式學習的，目標是生成與訓練資料相似的新樣本，新樣本與真實樣本難以區分

生成模型

• 生成模型是學習生成高概率與訓練資料相似樣本的模型
• GAN 的目標是生成新樣本，並能夠在訓練資料集中分配正確的概率

GAN 的工作原理

• 生成器（ Generator ）
  從潛在空間（ latent space ）中生成資料，來騙判別器 D，讓 D 以為生成的資料是真實的，通常使用反卷積層（ Deconvolutional Layers ）架構，將隨機噪音轉換為逼真的圖像或資料

潛在空間
低維度的特徵表示空間
結構是自動學習的
用於輸入和生成新資料
反卷積層
將輸入特徵映射轉換為更大的尺寸

• 判別器（ Discriminator ）
  識別輸入的資料是真實資料（來自訓練集）還是 G 生成的假資料，通常是卷積神經網絡（ Convolutional Neural Network ），用於二元分類。

• 對抗過程
  訓練期間生成器和判別器交替進行學習，生成器嘗試生成更真實的資料，而判別器嘗試識別這些資料，競爭性的過程使生成器不斷改進生成的資料，直到判別器無法區分真實資料和生成資料

• 損失函數
  基於最小化損失函數，通常是二元交叉熵（ Binary Cross-Entropy ），生成器和判別器都有自己的損失函數，而訓練過程的目標是找到平衡

• 優化算法
  適當的優化算法，像隨機梯度下降（ SGD ）的變體，幫助生成器和判別器之間收斂到均衡點

GAN 的工作方式

• 是一個三階段的過程
  1. D 接收資料集，分類為「真實」
  2. 從潛在表示 z 生成一個新樣本，D 接收這個樣本，分類為「假」
  3. G 被優化，使 D 將樣本分類為「真實」

GAN 的不同架構

• DCGAN：深層卷積生成對抗網絡，用於圖像生成
• Cycle GAN：用於形樣轉換和風格轉換
• Super Resolution GAN：用於圖像超解析度
• Stack GAN：生成圖片或影像，根據文字描述生成圖片
• Style GAN：能生成高品質圖像，但需要更多的訓練資源

GAN的挑戰

• 模式崩潰： 生成器可能陷入生成相同或非常相似資料的循環
• 訓練穩定性： GAN 的訓練通常不夠穩定，容易出現訓練振盪或不穩定的情況

參考資料

https://developer.nvidia.com/blog/photo-editing-generative-adversarial-networks-1/
https://edge.aif.tw/gan-introduce/