GANs

对于GANs的原论文（NIPS2014），实在是过于晦涩难懂，公式部分我还没有仔细扣。然而DCGAN（Deep convolutional GAN,ICLR2016）这篇，就浅显易懂得多，毕竟只是GANs这种理论性文章在CNN上的实践。我们想通过DCGAN的实现过程来帮助搭建建立对GANs的第一印象。大家如果进一步感兴趣可以去读Ian的GANs原文~

首先GANs的主要idea：提出了一种全新的评估生成式模型的方法---鉴别判别式模型！这点还是striking的，因为生成式模型无监督，一般都是不好评价的，GANs提供一种依赖数据集的评价手段，而且还保留了无监督特性（后面解释）。

不过目前就我所知其应用还是相对局限的，只能评价其生成模型输出样本的真实性（依赖数据集）。

GANs由两个部分组成，Generator和Discriminator。Generator产生目的样本，将G的输出样本都标记为虚拟（0），和数据集的真实样本（1）一起送入一个判别式模型Discriminator，判别式模型输出结果是对逐个样本做0-1的输出，寓意是其样本真实度评价。D所期望的结果是由G输出的结果真实性打分低，数据集真实性打分高。而G的期望是D所输出的自己生成样本的真实性打分高。

Discriminator我们都很熟悉，我们仔细介绍一下这里的Generator(DCGAN的generator)

如上图所示，我们是不是看起来很熟悉呢，没错，从右往左看就是一个很普通的CNN。但是这么看只是方便我们理解，我们还是按照从左往右的Generator的顺序来仔细介绍一下这张图。Generator的输入是100维的均匀分布的噪声，我们的目的就是通过G将噪声映射到一个64X64X3的彩色图像。

那么图里面的conv就是反卷积了，只不过这篇文章称之为fractionally-strided convolutions。具体一个比较简单的实现和卷积的对比如下两个动图：

这个从蓝色到绿色的过程就是正常的PADDING=VALID类型的卷积。那么如果我们想从绿色得到蓝色部分呢？

（图片都来自https://github.com/vdumoulin/conv_arithmetic）

这里的蓝色就是上面的绿色，一个3X3的feature，那么我们实现deconvolution的方法就是先zero padding，然后实施普通的卷积。那么我们的输出就是一张变大的feature，很显然，其实就是一种插值方式。

关于deconvolution并非是convolution的严格数学逆过程，所以叫它做fractionally-strided convolutions也是很有道理，步长小于一的卷积（微步幅卷积），得到的结果自然就比原图像还要大了。

G网络我们最终得到了一个彩色图像的输出，我们将其打上真实性为0的ground truth（注意，虽说是打标签，却是无监督）。同理，我们D网络的输入数据集的标签也是无监督打上的，（注意GANs并不分类，如果要多类分别生成，需要监督）

所以说，基础的GANs是完全无监督的。

D网络我们就不介绍了，待补充...