{论文快读}GAN

标题：Generative Adversarial Nets
作者：Ian J. Goodfellow等
摘要：
这里就不列直观解释了，直接看论文。

1.“最小最大“博弈问题

首先要知道作者的终极目的：已知$p_g$pg​$p_d$pd​$p_z$pz​，也可以通过采样$p_{data}$pdata​获得一小部分数据$x$x，训练$p_g来拟合p_{data}$pg​来拟合pdata​
作者将两个模型抽象为一个minimax的优化问题：

作者证明了这一问题的全局优解是：$p_g=p_{data}$pg​=pdata​。所以问题转化为求解图中的最优化问题。然后作者提出了算法1来解这个最优化问题面，并证明了算法1的有效性。

其思路是：获得初始化的$p_g$pg​$p_d$pd​->内循环通过minibatch对D做梯度下降->固定D重新采样对G做梯度下降->（反复以上梯度下降过程）->得到最优解$p_g\approx p_{data}$pg​≈pdata​
这四步也正好和文中给出的图匹配

这个图一猛地一看其实很难看懂，但是和算法1的步骤结合起来看就容易理解多了。几个要点：

1. a）D是一个“partially accurate”的分类器，意思是性能可以差点，但是首先得是能称得上分类器，不能是天马行空随机输出的。
2. a)->b)中开始按照内循环的说明训练D。b)图的左侧$p_g\approx p_x$pg​≈px​，所以$p_d$pd​较大，相应的右侧$p_d$pd​较小。
3. b)->c)这里D完成了一歩梯度下降，固定下来，开始训练G，我们看到$p_g$pg​和$p_x$px​更加接近了。