概念

生成對抗網絡（Generative Adversarial Networks， GANs）是一種深度學習模型，由 Ian Goodfellow 等人于2014年提出。GAN 的目標是通過訓練兩個神經網絡（生成器和判別器），使得生成器能夠生成與真實數據相似的樣本，而判別器能夠區分真實樣本和生成樣本。這兩個網絡相互對抗，形成了一種博弈的訓練過程。

GAN 的主要組成部分：

1. 生成器（Generator）：

   • 生成器的目標是生成與真實數據相似的樣本。
   • 通常由一個神經網絡構成，接受隨機噪聲（潛在空間的采樣值）作為輸入，輸出模型生成的樣本。

2. 判別器（Discriminator）：

   • 判別器的目標是區分真實樣本和生成樣本。
   • 也是一個神經網絡，接受真實樣本或生成樣本作為輸入，輸出樣本的真假概率。

3. 損失函數：

   • GAN 的損失函數是一個博弈過程。生成器追求欺騙判別器，使得生成的樣本越來越接近真實樣本；判別器追求正確區分真實和生成樣本。
   • 損失函數通常使用對抗損失（Adversarial Loss），也被稱為二分類交叉熵損失。

GAN 的訓練過程：

1. 生成樣本：</