我正在阅读有关生成对抗网络 (GAN) 的文章，对此我有一些疑问。到目前为止，我了解到在 GAN 中有两种不同类型的神经网络：一种是生成的（) 和另一个判别式 (）。生成神经网络生成判别神经网络判断正确性的一些数据。
如何区分（) 神经网络最初知道是否由正确与否？我们是否必须训练首先然后将其添加到GAN中?
让我们考虑一下我受过训练的net，它可以以 90% 的准确率对图片进行分类。如果我们添加这个对于 GAN，它有 10% 的概率将图像分类错误。如果我们用这个来训练 GAN，那么它在对图像进行分类时也会有同样的 10% 错误吗？如果是，那么为什么 GAN 会显示出有希望的结果？
根据定义，G 产生的所有结果总是被认为是“错误的”，即使对于一个非常好的生成器也是如此。
您提供判别神经网络由生成器网络生成的混合结果和来自外部来源的真实结果，然后你训练它来区分结果是否由生成器产生——你不是在比较“好”和“坏”的结果，而是在比较真实和生成的结果。
这将导致“相互进化”，因为将学习找到将真实结果与生成结果区分开来的特征，并且将学习如何生成难以与真实数据区分开来的结果。
判别网络()学会根据定义进行区分——我们为它提供真实的和生成的数据，并让它自己学习如何区分两者。
因此，我们期望网络提高网络能力生成越来越好的图像（或其他类型的数据），因为它试图“欺骗”网络通过生成更类似于“真实数据”的新数据。这与网络的准确性无关一点也不。这不是提高准确性，而是提高计算机生成更“可信”数据的能力。
也就是说，使用这种场景可能是提高神经网络分类能力的一种很好的“无监督”方式，因为它迫使生成器模型学习真实数据的更好特征，并学习如何区分实际特征和噪声，使用传统的监督学习方案所需的数据要少得多。