Introduction
GAN (Generative Adversarial Nets) 的目标，训练出一个generator ，产生某些东西
上图，第一维代表头发长短，倒数第二维代表蓝色的深浅…
GAN同时训练出一个discriminator ，辨别器
输出的scalar 代表图片的质量
捕食的标准，与 蝴蝶的特征不断进化。
vein 叶脉
generator 与 discriminator 之间也是这种对抗关系
v1: 辨别器根据色彩判断
v2:根据是否有嘴
v2的生成器，能骗过v1的判别器
v3的生成器，能骗过v2的判别器
生成器生成的图片越来越真实
生成器与判别器不断对抗，不断进化，adversarial一词由来。
提出GAN的沦文里，用的例子是假钞与警察
学生画的越来越逼真，老师的要求越来越严格。
两者的关系，可以是朋友，也可以是敌人。
更新D的标准：把真实图放入D，得到的数值大，G生成的图放入D，数值小。
期望得到的数值越来越大，调整G的参数，使其产生的图越来越逼真，来‘骗过’D
结构化学习的输出比较复杂，GAN就属于结构化学习
结构化学习的例子：
structured learning 需要有全局观
vector 与 输出图片的特征有关系
希望 input 和 output 越接近越好
a和b的结合不一定得到数字1，因为generator不是线性的。
VAE 相当于在 code中加入噪声
variational ：变化的
VAE 把decoder 训练得更加稳定
output和target不一定完全一样，即存在误差。
错了6个pixel的只是把笔画延长，可以接受。
所以，不能单纯的让output与target越像越好
多加几层，就可以影响临近的神经元的关系
discriminator在不同的领域有不同的名称：evaluation function…
discriminator可以生成，列举所有的 x（图片），带入D(x)，使其最大的x作为生成的图。
左侧的负样本，效果太差
需要好的example才能训练出好的discriminator，只有好的discriminator才能找出好的example
arg max D(x)解出的作为下一轮的负样本
红线代表D(x)
在右侧，用第一轮得到的D(x)产生样本，作为负样本
当正负样本的分布重合时，训练结束
generator学到的是表象(pixel之间的相似程度，不能考虑大局)
discriminator的一个弊端是，arg max D(x)不好解（非线性）
用G来代替arg max D(x)，可以理解为：G就是在学，怎么解arg max D(x)
GAN（有discriminator）的generator 的效果比 VAE的generator的好
得分越低越好，柱状的长度代表不同参数导致的得分，可以看出GAN的效果好，不过VAE比较稳定（柱状很短）
Conditional Generation
给出文字描述，输出相应的图片
使用传统的监督学习方法，效果不好。
如文字“火车”，多张图片，网络结构对所有的图片都要有较小的误差，最终导致产生的图片是其他图片的平均效果，得到模糊的图。
generator 为了骗过 discriminator 而仅生成高质量的图，而忽视了条件。
scalar 反应两点：图片是否高质量；图和条件是否匹配
上方的结构仅一个输出，如果值小的话，不能确定是图片质量差，还是图与文字不匹配。
下方的结构，给了两个输出，更合理一些
先产生一张小图，再产生大图，效果会更好
patch 小块区域
speech enhancement 语音增强（去除噪音）
Unsupervised Conditional Generation
texture 纹理
法1，输入输出的差距不大
无监督学习，X,Y之间没有联系
解决方法：
其一
简单的generator ，input output 差距不会太大
即一个风景画不可能生成人物字画像
其二
Encoder Network 已训练好
为了让左右两边的图经可能接近，中间的复古图就不会太奇怪
双向形式：
cycle GAN存在问题
左右两图屋顶都有黑点，中间确没有，即有信息被隐藏了。这样input 和 output 就不是特别接近，这样 cycle consistency 就失去意义（input 和 output 不要差距太大）
多个domain间转换，使用 starGAN
target domain 欲转换成的类别
第一个G的输入 image 与第二个G 的output 应尽可能接近
latent space 隐空间
上图问题的的解决办法：
encoder 的后几层 decoder 的前几层共享参数
这样可以保证 latent space 具有相同维度
discriminator 用来判断 latent vector 是来源于 X domain image 还是 Y domain image
