2.2 判別器：有問題？GAN來了！

GAN由生成器G和判別器D組成。

其實上面我們已經基本介紹了生成器G的由來了，并且我們遇到了一個問題： 極其復雜的計算方式導致使用極大似然估計根本無從下手啊！！！

為了解決這個問題，我們引入了判別器D！

現在GAN的結構就完備了！！

對于生成器G：

1. G 是一個函數，輸入 ，輸出（上面已經介紹了）

   

2. 先驗分布 , 和G共同決定的分布

對于判別器D:

1. D是一個函數，輸入，輸出一個scalar
2. D用于評估和之間的差異（解決上一小節提出的問題）

那么，GAN的最終目標-->用符號化語言表示就是：

我們的目標是得到使得式子最小的生成器.

關于V：

給定G， 衡量的就是分布和的差異。

因此，也就是我們需要的使得差異最小的 G .

詳細解釋 V(G,D) ：

對于:

固定G ，最優 最大化：

假設D(x) 可以表達任何函數

此時再固定 x ，則對于 ，我們可將其看成是關于D的函數：

解得

即：

則此時對于原式 V(G,D) （將代入）：

JSD表示JS散度，它是KL散度的一種變形，也表示兩個分布之間的差異：

與KL散度不同，JS散度是對稱的。

以上的公式推導，證明了確實是衡量了 和 之間的差異。

此時，最優的G：

也就是使得最小的G

當時，表示兩個分布完全相同。

對于 ，令

我們該如何優化從而獲得呢？？？

我們希望通過最小化損失函數L(G) ，找到最優的G。

這一步可以通過梯度下降實現：

具體算法參考：

第一代：

1. 給定(隨機初始化）

• 確定 使得 V(,D) 最大。此時 V(,) 表示和 的JS散度

• 梯度下降： .得到

  

第二代：

2. 給定

• 確定 使得V(,D) 最大。此時V(,)表示和的JS散度

• 梯度下降： .得到

  

。。。

后面的依此類推

以上算法有一個問題： 如何確定使得 V (D ,G**)**** 最大？？？**

也就是：給定 G，如何計算

回答：

從采樣

從采樣

因此我們可以將從期望值計算改寫為對樣本計算（近似估計）：

這很自然地讓我們想到二分類問題中常使用的交叉熵loss

因此，我們不妨聯想：

D是一個二分類器，參數是

來自的采樣作為正樣本

來自的采樣作為負樣本

那么此時，我們就將問題轉化成了一個二分類問題：

交叉熵loss大 -->和 JS散度小

交叉熵loss小 -->和 JS散度大

此時，D就是可以使用一個神經網絡作為二分類器，那么確定D，也就是可以使用梯度下降來優化獲得D的最終參數。

GAN的最終算法流程：

初始化參數（for D）和（for G）

對于訓練的每一輪：

第一部分 學習優化判別器D：

• 從采樣

• 從 采樣

  

• 通過生成器 獲得生成樣本

  

• 梯度下降更新來最大化 ：

  :

  

注：以上第一部分可以重復多次：此過程本質上是在測量兩分布之間的JS散度

第二部分 學習優化生成器G：

• 再從采樣另一組
• 梯度下降更新來最小化 ： : .實際上第一項與G無關，梯度下降只需最小化即可。

注：以上過程僅一次

最后的話：

其實在GAN之前，就已經有Auto-Encoder，VAE這樣的方法來使用神經網絡做生成式任務了。

GAN的最大的創新就是在于非常精妙地引入了判別器，從樣本的維度解決了衡量兩個分布差異的問題。

這種生成器和判別器對抗學習的模式，也必將在各種生成式任務中發揮其巨大的威力。