生成对抗基础扫盲
Gan简单介绍：
1、什么是生成模型？
（1）维基百科这样解释：随机生成观测数据
In probability and statistics, a generative model is a model for randomly generating observable data values,
typically given some hidden parameters.
typically given some hidden parameters.
（2）Discriminative VS Generative：
discriminative model：寻找一些对分类和回归有用的patterns，并不了解数据
学习一个将输入数据data(x)映射到期望的类标签label(y)，在概率的角度，直接学习条件分布P(y|x)；
学习类之间的boundary；
generarive model：寻找数据的真实的structure，比较难
同时学习输入数据data(x)和label(y)之间的联合概率P(x，y)；
为每个类的分布建模model
2、为什么生成模型很重要？
（1）Speech、Video、Image、Text都需要；
（2）标注Labelling他们很expensive；
（3）开发可以分析和理解的models和算法需要大量数据，生成模型可以做到；
3、相关理论
概率模型：
Disiminator：最大化数据准确分类的概率和合成样本；
Generator：生成欺骗判别器的样本；
GANS的应用：
（1）生成图像；
（2）人脸转换算法；
（3）图像修复；
（4）文本生成图像；
（5）生成video；
（6）图像转换；
等等...
GANS的衍生：
GAN：
Adversarially learned inference（ALI）:
等等。。。
相关博客&网站：
https://github.com/zhangqianhui/AdversarialNetsPapers
http://blog.aylien.com/introduction-generative-adversarial-networks-code-tensorflow/
http://www.cs.toronto.edu/~graves/handwriting.cgi?text=Smart+DSP&style=&bias=0.45&samples=3
https://www.youtube.com/watch?v=HN9NRhm9waY