生成对抗网络 · 深度手册

分类：深度学习 ｜难度：★★★ 高阶｜编号：gan

一、这是什么（一句话用途）

图像生成 / 数据增广 / 风格迁移（从无标签数据学出生成分布）

二、核心思想

生成对抗网络（GAN）用"两个网络打擂台"的方式学生成。生成器 $G$ 负责从随机噪声画出假样本，判别器 $D$ 负责分辨"真样本 vs $G$ 的假样本"。二者对抗训练： $D$ 努力看穿造假， $G$ 努力骗过 $D$ 。这种极小极大博弈的均衡点是 $G$ 生成的分布恰好等于真实数据分布——此时 $D$ 再也分不出真假（判为 0.5）。GAN 不需要成对标签，就能凭无监督方式生成以假乱真的图片、语音，是深度生成模型的里程碑（后续有 StyleGAN、扩散模型等）。

三、数学原理与推导

价值函数（零和博弈）：

$\min_G\max_D\ V(D,G)=\mathbb{E}_{\mathbf{x}\sim p_{\text{data}}}\big[\log D(\mathbf{x})\big]+\mathbb{E}_{\mathbf{z}\sim p_z}\big[\log\big(1-D(G(\mathbf{z}))\big)\big]$

固定 $G$ 时最优判别器 $D_G^*(\mathbf{x})=\dfrac{p_{\text{data}}(\mathbf{x})}{p_{\text{data}}(\mathbf{x})+p_g(\mathbf{x})}$ 。当 $p_g=p_{\text{data}}$ 时 $D^*=1/2$ ，达到纳什均衡。训练交替：判别器梯度上升最大化 $V$ ，生成器梯度下降最小化 $\log(1-D(G(\mathbf{z})))$ （常改写为最大化 $\log D(G(\mathbf{z}))$ 以缓解初期梯度消失）：

$\nabla_{\theta_g}\frac{1}{m}\sum_i \log D\big(G(\mathbf{z}_i)\big),\qquad \nabla_{\theta_d}\frac{1}{m}\sum_i\big[\log D(\mathbf{x}_i)+\log(1-D(G(\mathbf{z}_i)))\big]$

四、建模 / 求解步骤

准备真实样本 + 噪声采样
搭生成器 G 与判别器 D
D 区分真假(最大化)
G 骗过 D(最小化被识破)
交替训练至均衡(生成逼真)

五、关键公式速查

min_G max_D E[log D(x)]+E[log(1−D(G(z)))]；均衡时 D=0.5

六、典型示例

随机噪声 → 生成器 → 手写数字图片，判别器难辨真假。

完整算例（数字演示，照着算一遍）

场景：生成器 G 与判别器 D 对抗，训练 5 万步生成 28×28 人脸。

过程：初期 D 轻易辨真假，后期 G 生成样本使 D 判别概率趋近 0.5（分不清）。

结论：GAN 达到纳什均衡时生成逼真样本，但训练不稳需调平衡。

七、Python 实现示例

import os, numpy as np
import pandas as pd
HERE = os.path.dirname(os.path.abspath(__file__))
df = pd.read_csv(os.path.join(HERE,"..","datasets","gan.csv"))
real = df["x"].to_numpy(dtype=float).reshape(-1,1)
rng = np.random.default_rng(19)
Wg = rng.normal(0,1,(1,1)); bg = 0; Wd = rng.normal(0,1,(1,1)); bd = 0
for _ in range(400):
    z = rng.normal(0,1,(len(real),1))
    fake = z@Wg + bg
    Dr = 1/(1+np.exp(-(real@Wd+bd)))
    Df = 1/(1+np.exp(-(fake@Wd+bd)))
    Wd += 0.1*((real*(1-Dr) - fake*Df).sum())/len(real)
    bd += 0.1*(((1-Dr)-Df).sum())/len(real)
    Wg += 0.1*((z*(Df*(1-Df))@Wd).sum())/len(real)
    bg += 0.1*((Df*(1-Df)).sum())/len(real)
gen = rng.normal(0,1,(200,1))@Wg + bg
print("真实均值=%.3f 生成均值=%.3f" % (real.mean(), gen.mean()))

配套文件：py_gan.py（需 numpy / pandas；与下方数据集配套练习）

八、MATLAB 实现示例

%% 生成对抗网络(GAN)示例（MATLAB/Octave）
df = readtable('..\datasets\gan.csv');
real = table2array(df(:,1)); rng(19);
Wg=randn(1,1); bg=0; Wd=randn(1,1); bd=0;
for it=1:400
  z = randn(length(real),1);
  fake = z*Wg + bg;
  Dr = 1./(1+exp(-(real*Wd+bd)));
  Df = 1./(1+exp(-(fake*Wd+bd)));
  Wd = Wd + 0.1*((real.*(1-Dr) - fake.*Df)./length(real));
  bd = bd + 0.1*(((1-Dr)-Df)./length(real));
  Wg = Wg + 0.1*((z.*(Df.*(1-Df))*Wd)./length(real));
  bg = bg + 0.1*(sum(Df.*(1-Df))./length(real));
end
gen = randn(200,1)*Wg + bg;
fprintf('真实均值=%.3f 生成均值=%.3f\n', mean(real), mean(gen));

配套文件：m_gan.m（基础 MATLAB / Octave 即可运行）

九、练手数据集（可下载）

一维实数样本（双峰分布）。用于 GAN 让生成器逼近真实数据分布，对比生成/真实均值。

字段：x
行数：80 行
下载：gan.csv

十、常见误区与避坑清单

训练不稳定易崩塌(mode collapse)
需平衡 G/D 强度
评估生成质量难

十一、结果怎么解读

看生成样本逼真度与多样性；D 输出接近 0.5 即均衡。

十二、常与谁搭配

与自编码器同属生成模型；可用卷积神经网络搭建。

十三、论文写作技巧（怎么把它写进论文）

把 生成对抗网络 写进论文，核心不是堆公式，而是讲清「为什么用它、结果怎么呈现、如何对比」三件事。

1. 动机怎么写（为什么用它而不是别的）

强调端到端 / 表示学习优势：无需手工特征，生成对抗网络直接从数据学表征。交代输入形式、网络结构（层数 / 宽度 / 激活）与规模（参数量、FLOPs），并说明相比传统模型的增益。

2. 结果怎么写（图表与指标）

给训练 / 验证损失与指标曲线、混淆矩阵 / 预测对比图；若有可视化（特征图 / CAM / 注意力）必放；做消融实验（去掉某模块性能掉多少）最能服人。

3. 可直接套用的写作话术

中文模板：针对<问题>，本文采用 生成对抗网络 进行图像生成 / 数据增广 / 风格迁移（从无标签数据学出生成分布）。该方法能够自动刻画<优势>，在处理<场景>时相较<对比方法>更具<特点>。
英文模板：To address , we adopt 生成对抗网络 to 图像生成 / 数据增广 / 风格迁移（从无标签数据学出生成分布）. Benefiting from its ability to , it outperforms on .

4. 同类易踩的写作坑

写明超参、优化器、随机种子与硬件，保证可复现；警惕数据泄漏与测试集调参；样本少时给出正则 / 数据增强策略。

5. 典型论文段落范例（可直接参考 / 改写）

下面是一段可直接套用的论文表述，已按本算法定制，填空处（…）替换成你的真实数值即可。

本文采用生成对抗网络从原始图像端到端学习特征，在测试集上达到 94.3% 准确率，较 ResNet-18 基线提升 2.1 个百分点；Grad-CAM 可视化显示模型关注病灶区域，符合医学先验。

We employ 生成对抗网络 to learn features end-to-end from raw images, reaching 94.3% test accuracy—a 2.1-point gain over the ResNet-18 baseline; Grad-CAM visualizations show the model attends to lesion regions, consistent with medical prior.

6. 消融实验怎么写（深度学习必备）

深度学习论文几乎必备消融实验（ablation study）：逐次移除一个模块（如注意力、数据增强、预训练），报告性能变化，量化每个组件的贡献。写作范式：① 列出「完整模型」与若干「删减变体」的指标对照表；② 用一句话解释每项移除带来的下降（如「去掉注意力后 mAP 降 3.4，说明全局依赖建模关键」）；③ 训练技巧（学习率预热、标签平滑）若有增益也单列。注意：消融必须控制变量——一次只动一处，避免把多个改动混在一起导致无法归因。

十四、相关手册（延伸阅读）

卷积神经网络 · 深度学习
自编码器 · 深度学习

十五、本手册导航

上一篇：自编码器 · 深度学习
下一篇：（已是末篇）
返回：算法深度手册库｜资料站首页

本手册由「算法深度手册生成器」自动产出，配套提供 Python / MATLAB 双版本示例与可下载练手数据集。