生成对抗网络

1. GAN：通过观测数据，学习样本的联合概率分布P(X, Y)，即生成式模型，能够生成符合样本分布的新数据；用于在没有目标类标签信息的情况下捕捉数据的高阶相关性。注：判别模型：给样本知道他的后验概率就行，即知道这个样本他属于哪一类
2. GAN基本原理：生成器【生成接近真实数据分布的样本——终极目标就是造假】与判别器【尽可能地区分真实的样本和生成器生成的样本——鉴假】的博弈【本质无标签，Real和Fake是我们自己定义的】注：生成器需要辨别器判断正确时，才进行更新注：二者交替来回迭代，辨别器先更新K次，生成器只更新一次注：生成器最小化【以假乱真】，判别器最大化注：最终目标，造假团伙基本可以造成真的，辨别器最后无法判断，精度到50%
3. 什么是交叉熵损失？
4. 限定条件优化：x、y（条件）
   1. CGAN：控制生成的类别【学习样本的条件概率分布】
   2. InfoGAN：
5. GAN迭代式条件优化：通过在生成器中引入一种可迭代的机制，对生成的样本进行逐步的精炼和改进，这个机制可以在训练过程中不断更新生成器的参数，以生成更高质量和多样化的样本。
   1. LAPGAN（什么是上采样？）
   2. StackGAN【文本(离散化的数据)到图像的生成——和图像描述相反】(什么是高斯分布？)
6. GAN结构优化：
   1. DCGAN注：Input与大的卷积核进行乘积，移步重合位置相加【微步卷积——不能完全恢复】
   2. Pix2Pix：基于CGAN，图像翻译【成对的训练样本——给一张图，再给一个我想变成的图(有监督学习)——再某一个基础条件下生成】
7. 应用：
   1. 图像生成：
   2. 图像转换：
      1. CycleGAN(场景迁移)：样本没有成对时——【两个生成器、两个判别器：X生成Y，Y生成X，看两个X像不像；反之】
      2. DualGAN：
   3. 图像超分辨率重建：SRGAN——由常规的卷积层组成并引入了残差结构和像素重排来进行高分辨率图像生成。
   4. 音乐生成：C-RNN-GAN
   5. 异常检测：AnoGAN+GANomaly