3.3　GAN的可视化理解

本节我们用一个可视化概率分布的例子来更深入地认识一下GAN。Ian的原文[1]中给出了这样一个GAN的可视化实现的例子。图3-10中的点线为真实数据分布，实线为生成数据样本，在这个例子中的目标在于，让实线（也就是生成数据的分布）逐渐逼近点线（代表的真实数据分布）。

图3-10　GAN可视化理解

虚线为GAN中的判别器，在实验中我们赋予了它初步区分真实数据与生成数据的能力，并对于它的划分性能加上一定的白噪音，使得模拟环境更为真实。输入域为z（图3-10中下方的直线），在这个例子里默认为一个均匀分布的数据，生成域为x（图3-10中上方的直线）为不均匀分布数据，通过生成函数x = G(z)形成一个映射关系，正如图3-10中的那些箭头所示，将均匀分布的数据映射成非均匀数据。

从图3-10a～图3-10b的四张图可以展现出整个GAN的运作过程。在图3-10a中，可以说是一种初始的状态，生成数据与真实数据还有比较大的差距，判别器具备初步划分是否为真实数据的能力，但是由于存在噪声，效果仍有缺陷。图3-10b中，通过使用两类标签数据对于判别器的训练，判别器D开始逐渐向一个比较完善的方向收敛，最终呈现出图中的结果，最终判别器的形式为。当判别器逐渐完美后，我们开始迭代生成器G，如图3-10c所示。通过判别器D的倒数梯度方向作为指导，我们让生成数据向真实数据的分布方向移动，让生成数据更容易被判别器判断为真实数据。在经过上述一系列训练过程后，生成器与判别器会进入图3-10d所示的最终状态，此时pg会非常逼近甚至完全等于pdata，当达到理想的pg = pdata时，D与G都已经无法再更进一步优化了，此时G生成的数据已经达到了我们的预期，能够完全模拟出真实数据的分布，而D在这个状态下已经无法分辨两种数据分布（因为它们完全相同），此时。

GAN Lab[1]是佐治亚理工学院的可视化团队开发的一款帮助理解GAN工作原理的可视化工具（见图3-11），读者可以登录该网站体验GAN训练的动态过程。在训练中随着迭代次数的上升，生成器所产生的样本分布会逐渐逼近真实数据的分布，整个过程非常直观明了。

图3-11　GAN Lab可视化工具

[1] https://github.com/poloclub/ganlab