做一个招聘网站需要多少钱买链接官网
提出一个GAN
（Generative Adversarial Nets）
1 方法
（1）生成模型G（Generative），是用来得到分布的，在统计学眼里，整个世界是通过采样不同的分布得到的，生成东西的话，目前就是要抓住一个数据的分布，
（2）辨别模型D（D） ,他是来辨别你的样本究竟是从真实世界来的呢，还是来自于G
李沐老师把型G是造假币的人，然后D是鉴别假币的人
两个人相互对抗，提升各自的能力
两个网络相互对抗，提升各自的能力
生成模型有两种
第一种生成模型是 我明明白白把一个模型给学出来，知道我们要求的分布的均值和方差之类的
第二种生成模型是，我去近似就好，坏处是不知道分布长什么样子，好处是这个东西算起来会比较容易
GAN用到的就是第二种
2 可视化举例
以一维度数据做可视化
紫色线条是判别器D，绿色线条是生成器G，黑色线条是真实分布
图（a）初始状态 此时可以观察到 真实分布（黑色）和生成器（绿色）的分布差别较大，判别器（紫色）
图（b）更新判别器（紫色） 此时可以观察到 判别器（紫色）可以分辨的比较好了，黑色线附近为1 ，绿色线附近为0
图（c）更新生成器（绿色） 此时可以观察到 生成器（绿色）像真实数据分布靠近，为了使得判别器不分别出来
图（d）不断反复，可以看到 绿色生成器要尽量靠近黑色生成数据，当足够接近的时候，会发现判别器输出就是0.5了，此时就无法分辨了
3 算法流程
最简单的应用是G和D是MLP
如图所示
（1）从噪声中采样m个样本得到z，从真实数据中采样m个样本得到x
（2）先更新判别器，增强判别器
D(x) 表示把真实分布采样得到的数据放到辨别器里，假如辨别器是完美的，那么D(x)是1 log(D(x))是0，如果不完美，则 log(D(x))为负数
G(z)表示把噪音分布采样得到的噪音放到生成器里，会生成伪真实x，再放入D判别器，假如辨别器是完美的，那么D(x)是0 整体log(1-D(G(x)))是0 ，如果不完美的话，也会输出负数
所以要最大化如下函数，使得接近0
使得判别器函数输出尽可能正确，尽可能完美区分
（3）再更新生成器，使得生成器尽可能糊弄判别器
使得后面一项尽可能小
这样就会导致生成器尽可能糊弄判别器
k是一个超参数，要保证我们的G和D每次进步差不多，这样才能保证我们自己的一个有效性
外面的这个for loop就是说我们要迭代N次
怎么判断收敛是一个比较难的点，因而有些时候不是很有效