GAN网络，第一次听说的时候，我不觉得很厉害。 其他网络都对输入图像进行某种处理，得到某种特定的输出。 另一方面，GAN网络竟然能够“从无中创造有”。 不可思议的是，无论是去除马赛克、换脸，还是给灰度图像上色，怎么会凭空产生多馀的信息呢？
经过一点初步了解后，发现GAN网络确实和直观感觉一样，不需要带标签的图像训练。 这是颜恩雷克unc称赞机器学习十年来最有趣的想法的理由，使无监督学习成为可能。 但是机器学习方法应该有三个要素：模型、策略和算法。 首先介绍GAN网络的基本情况，然后从三个要素进行分析。
GAN网络(Generative Adversarial Networks )生成了对抗网络，由lan Goodfellow于2014年提出，发表在NIPS会议)神经信息处理系统大会上。 https://arxiv.org/abs/1406.2661
模型
GAN网络使用两种模型：生成器Generator (属于生成模型)和分类器Discriminator (属于分类器确定模型)。 两种模式的关系，就像军备竞赛一样，是相互对抗和促进的，这也是这个网络名字的由来。 生成器使用随机噪声或潜在变量生成真实样本。 鉴别器本质上是二级鉴别器，用于确定当前输入是真实样本还是假样本。
以下是GAN网络的基本体系结构。
从图中可以看出，GAN网络基本上分为g和d。 g和d可以连接或断开，但此时d的输入是真实的示例(但没有标签)。 这种特殊的连接关系实际上是接下来要讲的训练方法，是单独交替反复训练。
策略
训练结果表明，这两个模型达到了纳什均衡，分类器不知道生成器生成的样本是真还是假。 分类器软判决时，输出概率均分布在0.5附近，1与0的距离相同。
纳什均衡是博弈论中的概念，广泛应用于经济学。 例如，两家制造商在定价策略上有多种组合形式。 存在这样的战略组合是稳定的。 在这种情况下，任何一方单独改变战略都不会获得收益。 因此，两者都不会积极改变战略继续维持稳定。 GAN是生成器和分类器之间的游戏。 考虑识别器d，我们站在识别器的角度思考问题。 输出是概率，分布在0~1之间。 1表示真实样本，0表示假样本。 如果d的输入是真正的样本，则希望输出越大越好。 如果d的输入是由生成器产生的假样本，则期望输出越小越好，即正确地识别真伪。
考虑到生成器g，g生成的样本也最好是假乱码，近似为d 1。
算法
具体算法需要研究作者的文章。 现在分析一下前面提到的单独交替反复训练。 分类器是简单易懂、带监视的分类器。 如果说我们提供的样本没有标签，那只是意味着我们不知道样本图像的具体类别，我们也不需要知道，我们只需要知道它是真样本还是假样本(以真/假为标签)。 此时，分类器不需要连接到生成器。 也可以理解为固定生成器的参数，然后固定识别器的参数来更新生成器的权重。
要生成网络，必须连接两个模型才能获得反馈。 此时，还需要注意，识别器d的参数保持不变，并且生成器生成的结果的标签设为1。 这是因为期望鉴别器能够被确定为1，从而通过使鉴别器的输出接近1来实现训练的目的。
显示了使用matlab的DeepLearnToolbox生成mnist图像的示例。 但是，github上有解释说这个项目已经不再维护了，作者推荐使用Theano、torch、TensorFlow。
除了常规GAN外，还有条件GAN，以确保生成的样本符合预期。 该条件可以是类别标签(例如MNIST手写数据集的类别标签)，也可以是其他的多模态信息(例如对图像的描述语言)等。
使用方法分为两个阶段
下载。
地址路径(gen path (deeplearntoolbox )；
现在可以在test文件夹中运行测试用例。
P.s在matlab中使用自定义函数，若要在同名的m文件中定义函数，请用function进行限定
参考：
幸运的是，https://blog.csdn.net/heyc 861221/article/details/80128351是https://blog.csdn.net/on2way/article/deted 623803 htmldeeplearntoolbox:https://blog.csdn.net/Zhenyu _ Zhang/article/details/7826415？ locationNum=3fps=1