如何理解GAN神经网络

如何理解GAN神经网络

参考资料：

https://easyai.tech/ai-definition/gan/

https://www.zhihu.com/question/63493495

https://zhuanlan.zhihu.com/p/114838349

https://zh.wikipedia.org/wiki/%E7%94%9F%E6%88%90%E5%AF%B9%E6%8A%97%E7%BD%91%E7%BB%9C

---

一句话来概括 GAN 的设计动机就是——自动化。

生成对抗网络（GAN）由2个重要的部分构成：

1. 生成器(Generator)：通过机器生成数据（大部分情况下是图像），目的是“骗过”判别器
2. 判别器(Discriminator)：判断这张图像是真实的还是机器生成的，目的是找出生成器做的“假数据”

第一阶段：固定「判别器D」，训练「生成器G」

我们使用一个还 OK 判别器，让一个「生成器G」不断生成“假数据”，然后给这个「判别器D」去判断。

一开始，「生成器G」还很弱，所以很容易被揪出来。

但是随着不断的训练，「生成器G」技能不断提升，最终骗过了「判别器D」。

到了这个时候，「判别器D」基本属于瞎猜的状态，判断是否为假数据的概率为50%。

---

2个缺陷

1. 难训练，不稳定。生成器和判别器之间需要很好的同步，但是在实际训练中很容易D收敛，G发散。D/G 的训练需要精心的设计。

2. 模式缺失（Mode Collapse）问题。GANs的学习过程可能出现模式缺失，生成器开始退化，总是生成同样的样本点，无法继续学习。

---

GAN网络能够用在CV上的pain assessment上吗?

我的感觉是，没太大必要。为啥呢？

1、GAN其实就是一种左脚踩右脚，螺旋上升的模型；

2、在使用的时候，要不选择Generator或者Discriminator；

前者可以用在制造“伪钞”，适用于生成式任务，后者用来鉴别“伪钞”，适合判别式任务。在我们的任务中，应该使用后者，但是，我们的训练数据集呢，又不少所以没有必要再去训练一个Generator了。