GAN相关的一些基础知识

拒绝采样：从众所周知的简单分布中采样，并根据某些条件接受或拒绝采样值。重复此过程直到采样值被接受；

Metropolis-Hasting算法：另一种算法，用来实现复杂的概率分布图；

逆变换方法：通过简单的分布函数定义复杂的分布函数

形成特定图像是一个复杂的分布，通过前面提到的简化方案和变换函数将简单的分布映射成复杂的分布

培养生成模型：

GAN的下游任务是真实样本和生成样本之间的歧视任务。或者我们可以说“非歧视”任务，因为我们希望歧视尽可能地失败。因此，在GAN架构中，我们有一个鉴别器，它可以获取真实数据和生成数据的样本，并尝试尽可能地对它们进行分类，以及一个经过培训的发生器，以尽可能地欺骗鉴别器。

生成器是一个模拟转换函数的神经网络。它将一个简单的随机变量作为输入，并且必须在训练后返回一个跟随目标分布的随机变量。由于它非常复杂和未知，我们决定用另一个神经网络对鉴别器进行建模。该神经网络模拟判别函数。它将一个点（在我们的狗示例中为N维向量）作为输入，并将该点的概率作为输出返回为“真”。

生成器的目标是欺骗鉴别器，因此训练生成神经网络以最大化最终分类错误（真实数据和生成数据之间）

鉴别器的目标是检测伪造的数据，因此训练判别神经网络以最小化最终的分类错误

这些相反的目标和两个网络的对抗性训练的隐含概念解释了“对抗性网络”的名称：两个网络都试图相互击败，这样做，它们都变得越来越好。他们之间的竞争使这两个网络在各自的目标方面“进步”。从博弈论的角度来看，我们可以将此设置视为极小极大双玩家游戏，其中均衡状态对应于发生器从精确目标分布生成数据并且鉴别器预测“真实”或“生成”的情况“它接收的任何一点的概率为1/2。

详见我的另一篇帖子 https://qmacd.com/forum.php?mod= ... &extra=#pid4626