GAN理论推导(未完待续)

　　生成对抗模型（GAN）可以拆分为两个模块：一个能捕获数据分布的生成模型 G 和一个能估计数据来源于真实样本概率的判别模型 D。

　　本文主要说明两个问题：

　　　　① 价值函数的说明

　　　　② 最优生成器的推导

一、前言

　　生成对抗模型（GAN）可以拆分为两个模块：一个能捕获数据分布的生成模型 G 和一个能估计数据来源于真实样本概率的判别模型 D。

　　简单来说，G想通过生成的数据骗过D，D要尽力判断数据是否由G产生。

　　具体来说，为了学习到在数据 x 上的分布 P_g，先定义一个先验的输入噪声变量 P_z(z)，然后根据 G(z;θ_g) 将其映射到数据空间中，其中 G 为多层感知机所表征的可微函数。我们同样需要定义第二个多层感知机 D(s;θ_d)，它的输出为单个标量。D(x) 表示 x 来源于真实数据而不是 P_g 的概率。 

二、价值函数

$\Delta=b^2-4ac$

标签：推导,感知机,模型,生成,未完待续,GAN,数据分布,数据
来源： https://www.cnblogs.com/xyhbolg/p/15552431.html