生成对抗网络(GAN)结构
生成对抗网络(GAN)有两个部分：
1、生成器学习生成似是而非的数据。生成的实例成为鉴别器的训练示例。
2、鉴别器学习区分生成器的假数据和真实数据。
在生成对抗网络(GAN)中生成器生成假数据样本来训练鉴别器，鉴别器训练区分真假样本，到最后，生成器生成足以以假乱真的数据样本，而鉴别器在辨别样本真假上的性能会明显提高。
生成对抗网络(GAN)的类型
Vanilla GAN
这是最简单的GAN。在这里，生成器和判别器是简单的多层感知器。在vanilla GAN中，算法非常简单，它尝试使用随机梯度下降来优化数学方程。
条件GAN(CGAN)
CGAN可以描述为一种深度学习方法，其中设置了一些条件参数。在CGAN中，在生成器中添加了一个附加参数“y”，用于生成相应的数据。标签也被放入鉴别器的输入中，以便鉴别器帮助区分真实数据和伪造的生成数据。
深度卷积GAN(DCGAN)
DCGAN是GAN最流行也是最成功的实现之一。它由ConvNets代替多层感知器组成。
拉普拉斯金字塔GAN(LAPGAN)
拉普拉斯金字塔是一种线性可逆图像表示，由一组带通图像组成，间隔一个倍频程，加上一个低频残差。使用这种方法是因为它可以产生非常高质量的图像。首先在金字塔的每一层对图像进行下采样，然后在向后传递的每一层再次对图像进行放大，其中图像在这些层从Conditional GAN获取一些噪声，直到它达到其原始大小。
超分辨率GAN(SRGAN)
使用深度神经网络和对抗网络以生成更高分辨率的图像。这种类型的GAN在优化放大原生低分辨率图像以增强其细节以最大限度地减少错误时特别有用。
需要注意，生成对抗网络的计算成本非常高，需要高性能GPU和大量时间才能产生良好的结果。
