生成式对抗网络（GANs）是深度学习中最热门的话题之一。生成式对抗网络是一类用于无监督学习算法的人工算法，由两个神经网络组成的系统实现
生成器
鉴别器
两个神经网络都在零和游戏框架中相互竞争。生成式对抗网络（GANs）是一组模型，他们基本上学习创建与其给出的输入数据类似的合成数据。
鉴别器的任务是确定给定图像是否看起来自然（即是来自数据集的图像）还是看起来它是人工创建的。生成器的任务是创建与原始数据分布类似的自然外观图像，这些图像看起来足够自然以欺骗鉴别器网络。首先给生成器一个随机噪声，使用它产生假图像，然后将这些假图像与原始图像一起发送到鉴别器。
鉴别模型的任务是确定给定图像看起来是自然的（来自数据集的图像）还是人工创建的。这基本上是一个二元分类器，它采用普通卷积神经网络（CNN）的形式。生成器的任务是创建与原始数据分布类似的自然外观图像。
生成器试图蒙骗鉴别器，而鉴别器试图不被生成器蒙骗。当模型通过交替优化训练时，两种方法都被改进到“假图像与数据集图像无”法区分的点。
生成对抗式网络的数学方程：
我们可以认为这个方程由两部分组成，第一部分是从原始数据分布中采样的数据，第二部分是从噪声数据分布中采样的数据。
第一部分
鉴别者总是希望最大化其图像分类的正确率。这里的图像是从原始数据分布中采样的，原始数据分布是真实数据本身。D（x）是显示图像是真实的概率，所以鉴别器总是想要最大化 D（x），因此 log（D（x））应该最大化并且在这一部分内容中必须最大化。
第二部分
'z'是随机噪声样本，G（z）是使用噪声样本生成的图像。这个术语的解释和之前很相似。生成器总是希望最大化鉴别器被生成的图像蒙骗的概率。这意味着，生成器想要最大化 D（G（z）），因此它应该最小化 1-D（G（z））也意味着（1-D（G（z）））最小化。
使用 GANs 生成名人图像
名人图片数据集：
CelebA 数据集是超过 200,000 个带注释的名人面部图像的集合。因为在这个博客中，我只是想生成面孔所以我没有考虑注释。
1）获取数据：
我创建了 helper.py 文件，你可以通过该文件下载 CelebA 数据集图像。在运行此代码片段时，它将下载 CelebA 数据集。（源代码链接如下）。
2）预处理图像：
由于我仅在面部图像上工作，为获得良好的效果所以我将其调整到 28 * 28。我裁剪了图像中不包含图像部分的部分。
由于生成式对抗网络很难训练（你可以查看此链接，以了解为什么生成式对抗网络的训练如此困难？）
为了获得准确的结果，我们应该拥有一个良好的 GPU（4GB 或更高版本），通过运行此代码片段，你可以了解是否使用自己的 GPU 安装了 tensorflow。
3）模型输入和网络结构
我将图像的宽，高，channel 和噪声参数作为模型的输入，随后生成器也会使用它们生成假图像。
生成器结构：
在解卷积层之后，生成器结构具有致密层和全连接层（除输出层外每一层都有批量标准化，leaky ReLu 和 dropout）。生成器将随机噪声向量 z，之后把它重塑为 4D 形状并把它传递给一系列上采样层。每个上采样层都代表一个转置卷积运算，即反卷积运算。
所有转置卷积的深度从 1024 一直减少到 3，它表示 RGB 彩色图像。最后一层通过双曲正切（tanh）函数输出 28x28x3 张量。
鉴别器结构：
鉴别器的工作是识别哪个图像是真实的，哪个是假的。鉴别器也是具有批量归一化、lekeay Relu 的 4 层 CNN（输入层除外）。鉴别器接收输出图像（大小为 28 * 28 * 3）并对其进行卷积。最后，鉴别器使用 Logistic Sigmoid 函数显示用于表示图像是真或假的输出概率。
当鉴别器看到图像中的差异时，它将梯度信号发送到生成器，此信号从鉴别器流向生成器。
4）生成器损失和鉴别器损失：
鉴别器从训练图像和生成器两者接收图像，因此在计算鉴别器的损失时，我们必须增加由于真实图像和假图像造成的损失。两个网络被同时训练，所以我们需要将生成器和鉴别器都进行优化。如果图像是真实的，我们希望从鉴别器输出接近 1 的概率，如果图像是假的，则输出接近 0 的概率。
