gan的基本结构

【第一步：用真实样本训练判别器，令它判别出1】

大家思考一下，如果我们不考虑第二步和第三步，只考虑第一步，实际上这个结构是有很大问题的。因为不管输入的样本是什么，想让它输出是1，这样单种类的分类，没有任何意义。一般意义上的分类器，起码分两类。如果不管判别器的输入层、隐藏层、中间层是什么样，只要最后一层保证输出是标量1，这个很容易做到。所以这个模型，只在我们接下来的所有步骤中有意义，单独看没有意义，这个大家要能看出来。

【第二步，由随机向量经过生成器，输出生成样本，然后把生成样本输入到判别器，令它能输出0】

与第一步联系，就会有两个分类，一个是1，一个是0。有了两个分类，判别器就可以得到优化。这是我们设计这个网络模型的结构时一定要注意的地方。在第二步，我们期望结果是0，但可能不是，就会产生误差，从而产生梯度，产生梯度后我们沿着箭头的反方向走，这就是反向传播。在反向传播过程中，可以把遇到的任何一个参数进行优化。优化过程中，有一个小技巧，在生成器的地方，把梯度截断，不优化生成器。因为对生成器优化，最终的结果不过是输出一个0，这不是生成器的目标。生成器的目标是生成一个很像真实样本的假样本。所以需要在这里截断梯度。第二步所进行的优化，是对判别器进行的优化。结合第一步，两步可以合成一步。 

【第三步，输入随机向量，经过生成器输出生成样本，再经过判别器，输出判别系数，这时我们期望输出是1】

前面输出0，我们希望用梯度优化判别器，现在用一个不同的期望输出，来优化生成器。梯度在跑的过程中，虽然的确先经过判别器，但是因为判别器前面只对输出样本，期望输出是0，现在期望输出是1，所以梯度会路过判别器，只对生成器进行优化。所以最优化的结果，就是判别器对真实样本总是汇报1，对生成的假样本总是汇报0，同时我们生成器输出的生成样本，总是能通过判别器的判别。

但是这里有一个矛盾的地方，生成样本经过判别器，如果判别结果是1，会被当成真实样本，这意味判别器的判别是错误的；如果判别结果趋近于0，说明判别器的判别是正确的，但是这又意味着生成器生成的结果是不理想的。这个矛盾的对抗结果，使得整个GAN的训练非常麻烦。

二、GAN的损失函数

对判别器的训练：

data指真实样本，D指判别器，G指生成器。我们期望D(X)趋近于1，整个趋近于0。D(G(z))是生成器对输入向量Z生成的样本，作为判别器的输入，我们期望这部分的输入趋近于0。

对生成器的训练：

这里D(G(z))与上面相反，我们期望输出结果是1。

（本文来源于：Boolan首席AI咨询师—方林老师）