? 优质资源分享 ?
| 学习路线指引（点击解锁） | 知识定位 | 人群定位 |
|---|---|---|
| ? Python实战微信订餐小程序 ? | 进阶级 | 本课程是python flask+微信小程序的完美结合，从项目搭建到腾讯云部署上线，打造一个全栈订餐系统。 |
| ?Python量化交易实战? | 入门级 | 手把手带你打造一个易扩展、更安全、效率更高的量化交易系统 |
参考资料：
1、https://github.com/dragen1860/TensorFlow-2.x-Tutorials
2、《Adversarial Feature Learning》
本次是对阅读BiGAN论文的一个记录，包含我自己对于BiGAN的一些理解
因为BiGAN在代码实现上没有很大的不同，甚至类似经典GAN（详见：https://blog.csdn.net/DAYceng/p/16365562.html），所以这里不做介绍
参考1中有源码
依然是免责声明：水平有限，有错误请各位指正，谢谢了
注：图片刷不出来可能需要fq，最近jsdelivr代理好像挂了。
双向GAN网络（BiGAN）
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-TZclHt5N-1655054342832)(https://cdn.jsdelivr.net/gh/DAYceng/drawingBed/blogImg/202206101931884.png)]
BiGAN相较于GAN更多的是结构上的改进，除了标准GAN框架中的生成器G，BiGAN还新增了一个编码器E
结构
整个结构包括三部分：Encode网络（编码器E），G网络(生成器G)，D网络（判别器D）
- Encode网络，提取原始图片的隐变量
- G网络，将噪声生成图片
- D网络，判断这个数据对（原始图片和隐变量 生成图片和噪声）是来自编码器E还是生成器G
根据论文的说法：“编码器E将数据x映射到潜在表征z”
结合结构图，“潜在表征z”应该对应E（x），也就是“真实数据在对应噪声域下的映射”
文章认为，编码器E给出的对应编码具有某种语义特征，因此E（x）可以被认为是数据x的某种标签
判别器D在判断什么？
这个问题刚开始想会有点奇怪，因为经典的GAN是去判别“输入数据是不是真实数据”。
而BiGAN中不太一样，这里的输入变成了数据对（【数据，数据在噪声域下的变换】）
并且在BiGAN中，真实数据从始至终没有直接输入过判别器D，也就是说判别器D从来也没见过真实数据
判别器D所学习到的真实数据的特征都是编码器E“告诉”它的
而编码器E在干什么呢？它在学习（提取）真实数据的特征，这些特征有可能是更高维度的更抽象的特征，有可能有助于刻画原来的真实数据，有可能也没什么效果。但是编码器E是不知道这些的，它只有尽可能的去提取特征（这就是我们训练编码器E的过程）
并且由于我们的生成器G也会生成图片，这些图片也有对应的所谓特征，因为假图片是由随机噪声生成的，那么随机噪声就是这些假图片的特征。因此，编码器E提取的真实图片的特征也需要落到与随机噪声相同的空间域内，这样才可以去进行判别。（计算相似度）
那么现在可以总结一下了：
BiGAN中的判别器D在"区分"当前的输入究竟是编码器E给的真实数据的特征，还是此时生成器G用来生成假图片的随机噪声
编码器E与生成器G的目的
明白了判别器D在做什么，现在要理解一下编码器E和生成器G在干嘛了
我们会很自然地类比经典GAN得出结论：编码器E和生成器G在尽可能的欺骗判别器D
为了达到这个目的，编码器E与生成器G需要不断接近对方的形式，对应原文中的就是：
we will both argue intuitively and formally prove that the encoder and generator must learn to invert one another in order to fool the BiGAN discriminator.
"编码器E与生成器G需要学会互相反转"
通俗一点解释就是：对于编码器E来说，虽然它真的是从真实数据中提取特征，但在不断训练的过程中，它也逐渐学习到了生成器G生成图片的特征，所以编码器E会故意模仿假图片的特征输送给判别器D，测试判别器能否分辨出来。
这就是BiGAN的结构图为什么把编码器E和生成器G的输入输出框在一起的原因，因为他们之间互相联系（是有可能互换的）
转载请注明：xuhss » 【生成对抗网络学习 其三】BiGAN论文阅读笔记及其原理理解