导言
啦啦啦，现今 GAN 算法可以算作 ML 领域下比较热门的一个方向。事实上，GAN 已经作为一种思想来渗透在 ML 的其余领域，从而做出了很多很 Amazing 的东西。比如结合卷积神经网络，可以用于生成图片。或者结合 NLP，可以生成特定风格的短句子。（比如川普风格的 twitter......）
可惜的是，网络上很多老司机开 GAN 的车最后都翻了，大多只是翻译了一篇论文，一旦涉及算法实现部分就直接放开源的实现地址，而那些开源的东东，缺少了必要的引导，实在对于新手来说很是懵逼。所以兔子哥哥带着开好车，开稳车的心态，特定来带一下各位想入门 GAN 的其他小兔兔们来飞一会。
GAN 的介绍与训练
先来阐述一下 GAN 的基本做法，这里不摆公式，因为你听完后，该怎么搭建和怎么训练你心里应该有数了。
首先，GAN 全称为 Generative Adversarial Nets(生成对抗网络), 其构成分为两部份：
Generator（生成器），下文简称 G
Discriminator（辨别器）, 下文简称 D。
在本文，为了方便小兔兔理解，使用一个较为简单，也是 GAN 论文提及到的例子，训练 G 生成符合指定均值和标准差的数据，在这里，我们指定 MEAN=4，STD=1.5 的高斯分布（正态分布）。
这货的样子大概长这样
下面是数据生成的代码：
def sample_data(size, length=100):
""" 随机mean=4 std=1.5的数据 :param size: :param length: :return: """
data = []
for _ in range(size):
data.append(sorted(np.random.normal(4, 1.5, length)))
return np.array(data)
在生成高斯分布的数据后，我们还对数据进行了排序，这时因为排序后的训练会相对平滑。具体原因看这个 [Generative Adversarial Nets in TensorFlow (Part I)]
这一段是生成噪音的代码，既然是噪音，那么我们只需要随机产生 0~1 的数据就好。
def random_data(size, length=100):
""" 随机生成数据 :param size: :param length: :return: """
data = []
for _ in range(size):
x = np.random.random(length)
data.append(x)
return np.array(data)
随机分布的数据长这样
接下来就是开撸 GAN 了。
首先的一点就是，我们需要确定 G, 和 D 的具体结构，这里因为本文的例子太过于入门级，并不需要使用到复杂的神经网络结构，比如卷积层和递归层，这里 G 和 D 只需全连接的神经网络就好。全连接层的神经网络本质就是矩阵的花式相乘。为神马说是花式相乘呢，因为大多数时候，我们在矩阵相乘的结果后面会添加不同的激活函数。
G 和 D 分别为三层的全链接的神经网络，其中 G 的激活函数分别为，relu，sigmoid，liner，这里前两层只是因为考虑到数据的非线性转换，并没有什么特别选择这两个激活函数的原因。其次 D 的三层分别为 relu，sigmoid，sigmoid。
接下来就引出 GAN 的训练问题。GAN 的思想源于博弈论，直白一点就是套路与反套路。
先从 D 开始分析，D 作为辨别器，它的职责就是区分于真实的高斯分布和 G 生成的” 假” 高斯分布。所以很显然，针对 D 来说，其需要解决的就是传统的二分类问题。
在二分类问题中，我们习惯用交叉熵来衡量分类效果。
从公式中不难看出，在全部分类正确时，交叉熵会接近于 0，因此，我们的目标就是通过拟合 D 的参数来最小化交叉熵的值。
D 既然是传统的二分类问题，那么 D 的训练过程也很容易得出了
即先把真实数据标识为‘1’(真实分布)，由生成器生成的数据标识为’0‘(生成分布)，反复迭代训练 D ------------ (1)
说 G 的训练之前先来打个比方，假如一男一女在一起了，现在两人性格出现矛盾了，女生并不愿意改变，但两个人都想继续在一起，这时，唯一的方法就是男生改变了。先忽略现实生活的问题，但从举例的角度说，显然久而久之男生就会变得更加 fit 这个女生。
G 的训练也是如此：
先将 G 拼接在 D 的上方，即 G 的输出作为 D 的输入（男生女生在一起），而同时固定 D 的参数（女生不愿意改变），并将进入 G 的噪音样本标签全部改成'1'（目标是两个人继续在一起，没有其他选择），为了最小化损失函数，此时就只能改变 G 的每一层权重，反复迭代后 G 的生成能力因此得以改进。（男生更适合女生） ------------ (2)
反复迭代（1）（2），最终 G 就会得到较好的生成能力。
补充一点，在训练 D 的时候，我曾把数据直接放进去，这样的后果是最后生成的数据，能学习到高斯分布的轮廓，但标准差和均值则和真实样本相差很大。因此，这里我建议直接使用平均值和标准差作为 D 的输入。
这使得 D 在训练前需要对数据进行预处理。
def preprocess_data(x):
""" 计算每一组数据平均值和方差 :param x: :return: """
return [[np.mean(data), np.std(data)] for data in x]
G 和 D 的连接之间也需要做出处理。
# 先求出G_output3的各行平均值和方差
MEAN = tf.reduce_mean(G_output3, 1) # 平均值，但是是1D向量
MEAN_T = tf.transpose(tf.expand_dims(MEAN, 0)) # 转置
STD = tf.sqrt(tf.reduce_mean(tf.square(G_output3 - MEAN_T), 1))
DATA = tf.concat(1, [MEAN_T,
tf.transpose(tf.expand_dims(STD, 0))] # 拼接起来
以下是损失函数变化图：
蓝色是 D 单独作二分类问题处理时的变化
绿色是拼接 G 在 D 的上方后损失函数的变化
不难看出，两者在经历反复震荡 (互相博弈而导致)，最后稳定于 0.5 附近，这时我们可以认为，G 的生成能力已经达到以假乱真，D 再也不能分出真假。
接下来的这个就是 D-G 博弈 200 次后的结果：
绿色是真实分布
蓝色是噪音原本的分布
红色是生成分布
后话
兔子哥哥的车这次就开到这里了。作为一个大三且数学能力较为一般的学生, 从比较感性的角度来描述了一次 GAN 的基本过程，有说得不对地方请各位见谅和指点。
如果各位读者需要更严格的数学公式和证明，可以阅读 GAN 的开山之作（[1406.2661] Generative Adversarial Networks） , 另外本文提及的代码都可在这里找到（MashiMaroLjc/learn-GAN），有需要的童鞋也可以私信交流。
这就是全部内容了，下次心情好的话怼 DCGAN，看看能不能生成点好玩的图片，嗯~ 睡觉去~
正在生成分享图...
岑大师