本文共 787 字，大约阅读时间需要 2 分钟。

号称GAN的鼻祖？没怎么细看， 主要说下公式（1）和图1

1. 公式（1）

$p_{data}$是原始数据的概率密度，$p_z$是$z$数据的分布密度, $z$数据通过生成网络$G$变成x, 通过网络$G$,z的分布$p_z$可以变成x的分布$p_g(x)$, $p_g(x)$是生成数据的分布密度.

先来看$D(x)$,$x$越接近原数据它的值越大越接近1, 所以里面一层max, 可以这么理解, 如果x为原始数据的概率$p_{data}(x)$越大, 那么 D(x)也就越大, 也就是公式的第一部分, 如果生成的话,那么$D(G(z))$就应该越小, 相反$1-D(G(z))$也就越大. 加个log目标函数仍然没变.我猜主要是为了加快收敛(指数收敛)

然后$G$的目的, 就是产生以假乱真的数据, 让$D$分辨不出来, 这样(1-D(G(z)))就会越接近0, 这就是为什么外面一层用min

2. 图1

下面一根线代表z域, 上面一根线代表x域, 黑点代表原有数据集的概率分布$p_{data}(x)$, 绿细线代表生成数据集的概率分布$p_g(x)=G(p_z(z))$, 蓝色虚线代表识别网络判断为原有数据集的概率$D(p_{data}(x))$.

转载地址：http://vaxdi.baihongyu.com/