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