生成对抗网络（GAN）是一种通过对抗训练生成逼真数据的深度学习模型，由Ian Goodfellow等人于2014年提出。其核心思想是让两个神经网络（生成器与判别器）在博弈中共同进步。其中生成器负责伪造数据（如图像、音频），试图欺骗判别器，判别器负责区分真实数据与生成数据。两者不断对抗优化，最终生成器可输出高度逼真的数据。
核心原理
1.对抗训练过程
生成器：输入随机噪声，输出生成数据。
判别器：输入真实数据或者生成数据，输出判别概率。
2.训练动态
判别器：最大化准确率（区分真假）。
生成器：最小化判别器的正确率（提升伪造能力）。
3.关键创新
无监督学习：无需标注数据，直接学习数据分布。
对抗性损失：替代传统均方误差（MSE），生成更锐利的结果。
GAN的经典变体
DCGAN：引入卷积层，稳定图像生成
WGAN：用 Wasserstein 距离替代 JS 散度，解决训练不稳定
CycleGAN：循环一致性损失，实现无配对图像转换
StyleGAN：分层风格控制，生成超逼真人脸
BigGAN：大规模训练，生成高质量多样化图像