生成对抗网络GAN是怎么工作的？

生成对抗网络（GAN）是通过生成器造样本、判别器评真假并在反复博弈中彼此提升的生成模型，核心环节包括生成器从随机噪声出图、判别器比对真实样本、判别器再战与经过几十万次对抗后达到动态平衡，解决的是生成样本逼真度不足的问题，并不解决一方压倒另一方导致的训练失衡。

1. 生成器上手：一开始，生成器啥也不会，画出来的东西像小孩子的涂鸦（比如一堆乱线）。
2. 判别器评判：判别器拿着真名画（比如莫奈的《睡莲》）对比，说：“这太假了，0%像真的。”
3. 生成器改进：生成器根据反馈调整，画得稍微像点样（比如有了点颜色和形状）。
4. 判别器再战：判别器继续挑毛病，“还是不行，30%像真的。”
5. 反复博弈：经过几万次甚至几十万次的对抗，生成器终于画出一幅画，判别器看了都说：“嗯，95%像真的，我分不下了。”

数学上，生成对抗网络GANN靠“损失函数”驱动。生成器尽量让判别器“猜错”，判别器尽量“猜对”，两者在对抗中达到平衡。最终，生成器学会了模仿真实数据的分布。

明：本文来自网络，版权归作者所有。文章内容仅代表作者独立观点，不代表数字化转型网立场，转载目的在于传递更多信息。如有侵权，请联系我们。