简单易懂的Gan入门

Gan(Generative Adversarial Networks), 意思是生成对抗网络，是最近比较火的一种深度学习网络，可以实现深度换脸，图片伪造等效果，不过论文和网上的很多文章会写的都太过于晦涩，实际上这个原理并不难理解，只是某些人喜欢把人能看懂的写的鬼都看不懂，给人一种不明觉厉的感觉，这里我就简单介绍一下gan的原理，以一种大家都能看到的方式

些介绍一下网上都有的感念和公式，一般网上都会围绕下面这个公式：

V(D,G)=Ex∼Pdata(x)[lnD(x)]+Ez∼Pz(z)[ln(1−D(G(z)))]
这个公式是论文里面提到的，不管怎样咱都得看一下这个公式
D(x)：判别器，越真实则越接近1
G(x): 生成器，生成的是图片，所以没有损失函数
Ex∼Pdata(x)：这个其实可以不用特别关注，就是真实图片的分布
Ez∼Pz(z)：噪音输入的分布
所以公式我们为了方便理解也可以简化为：
V(D, G) = lnD(x)+ln(1-D(G(z)))
这个就是看着比较方便，那我们分析一下，其实这个公式有一点问题
首先不是整体损失
也就是说这个并不是一个损失函数
而且x和z也不是同一种输入，也没有相关性所以直接看这个公式没什么意义
第三就是D(x)和G(x)也都不是损失函数，这个上面也有解释
所以嘛这个公式并不是描述损失函数的，也就是不能直接优化了，没有优化的意义
不过要是面试问的时候可能还必须知道这个公式，毕竟是代表性的

那么问题就是这个到底要怎么优化才行，既然不能优化上面的那个公式
其实要优化也非常的简单，分两步来做

第一步是优化D，也就是这判别器
这个很简单直接是一个分类的cnn就可以，优化方法也很简单，可以用sgd等方式，不用细说，这一步是为了提高D的判别能力，能够真是判别出图像的真假, 这一步是lnD(x)这一步
第二步就是优化G，因为G是没有损失函数的，所以要借助D才能优化G，也就是D(G)这样就能产生损失函数了，当然这里优化的时候D的参数不要变，固定住，只优化G的参数，而且要让D(G)接近1的方向优化，以调整G，让G生成的接近真实情况，其实这一步就是1-lnD(G)这一步，最小化这一步

从这里我们也可以看出来，上面加在一块的公式没有意义，其实是分两步优化的

重复上面两个步骤，来达到一个整体优化的结果，这里就是最简单的解释整个过程了