生成对抗网络(GAN与W-GAN)
作者：凯鲁嘎吉 - 博客园 http://www.cnblogs.com/kailugaji/
通过阅读《神经网络与深度学习》，了解生成对抗网络(Generative Adversarial Networks，GAN)的来龙去脉，并介绍GAN与Wasserstein GAN。
1. 基础知识
KL散度 (Kullback–Leibler Divergence)、JS散度 (Jensen–Shannon Divergence)、推土机距离 (Wasserstein Distance, or Earth-Mover’s Distance)以及Lipschitz连续函数.
2. Vanilla GAN (标准GAN/原始GAN)
判别网络，生成网络，以及总体目标函数
最小化交叉熵就是极大似然估计，使其期望最大化。
Vanilla GAN训练过程
Vanilla GAN进一步分析——梯度消失，分布不重叠时，JS散度恒为log2
Vanilla GAN进一步分析——逆向KL散度导致模型坍塌
3. Wasserstein GAN
拓展：由生成对抗网络联想到假设检验中的两类错误
生成器：支持原假设，$p_{data}=p_{\theta}$，生成的图像越真实越好；
判别器：支持备择假设，$p_{data} \neq p_{\theta}$，越能判别出假图像越好。
假设检验会出现两类错误，本来图像是真实的，原假设是正确的，但是却拒绝原假设，认为图像是假的，这是第一类错误；本来图像是假的，原假设是错误的，却接受原假设，认为图像是真实的，这是第二类错误。统计学告诉我们这两类错误都无法避免，也无法同时使两者出现的概率都最小，一类错误的减少必然会使另一类错误增加。一种折中的方案是，只限制犯第一类错误的概率，这就是Fisher显著性检验。对于GAN来说，生成器生成了一些重复但是很安全的样本，缺乏多样性。
4. 参考文献
[1] 邱锡鹏，神经网络与深度学习，机械工业出版社，https://nndl.github.io/, 2020.
[2] Lilian Weng, From GAN to WGAN, ariXiv, https://arxiv.org/pdf/1904.08994.pdf, 2019.
