20200824 -

0. 引言

前面的文章中，了解了GAN的基础知识，同时介绍了实际代码（如何利用GAN来生成MNIST的数据），前面两篇文章中，进行了具体的基础知识铺垫，但是我在实际的训练过程中，也感受到了GAN训练不稳定。本篇文章从这个角度来入手，来讲讲训练过程。
前文回顾：
本篇文章仅仅记录了但是在自己进行这部分实验过程中的一些疑惑，实际上并没有解决问题。关于具体的训练过程，包括在论文中的算法实现内容，查看文章《GAN的编写 - tensorflow形式（tensorflow与GAN同学习，重点分析训练过程）》

1. GAN的训练过程

1.1 GAN如何训练

在前文中提到GAN是通过训练两个神经来实现生成模型，其中两个模型分别是生成器模型和判别器模型。在训练过程中，判别器将尽可能提高识别真数据和假数据的能力，而生成器将尽可能生成真的数据；判别器使用真实数据和假数据一起来进行训练来更新权值，而生成器只能使用完整模型（冻结的判别器，输入假的数据，但标记为真）通过判别器的误差来反馈到前面实现权值更新。
前面的这些话中，透露出来这样的一个信息，生成器的权值更新是完全有判别器来决定的。那么如果是这样的话，如果判别器判别能力强，这样输入假数据（带真标签）就会形成比较大的误差，这样生成器就能有较大的权值更新；而如果是判别器判别能力弱（也可能是已经能够生成了真实数据），那么此时生成器的权值更新也不会很大了。
本身GAN的训练过程，应该是一个minimax过程，其中判别器将最小化判别真假数据过程中的误差，而生成器会最大化判别器判断出错的概率。

1.2 GAN的损失函数

这里不具体展开GAN的损失函数的数学原理，从原始的函数，到现在很多优化的变种，有很多损失函数。这里仅仅考虑原始涉及的GAN的损失函数。在实际训练过程中，分为两个训练过程，一个是判别器使用真实数据和假数据同时来进行训练；另一个是输入假数据（但标签为真的）到组合生成的GAN中，利用这部分误差来更新生成器。
也就是说，在训练过程中将有两个损失数值产生，一个是判别器的损失，一个是GAN的损失。书写这部分内容的原因，也正是因为我在训练过程中产生了疑惑才编写的。
正常情况下，在训练普通的神经网络时，例如分类过程，那么肯定是希望损失函数越小越好，此时分类的精确率也会越来越高。但是在这里却不一样。
根据前文的描述，我们首先来描述一下两个损失数值应该的趋势；但是因为我也不知道应该往什么方向来训练，这一块我也比较疑惑。那么现在具体描述一下。

首先，判别器在一开始的时候，应该损失函数比较高，因为一开始的权值都没有设定好，并没有学习到真正的用于分类的权值；但是一旦这个模型学习到了之后，应该就会降低。

然后，生成器的损失函数部分由完整的GAN部分生成，这部分的损失函数，实际上是由于传递了真标签的假数据来决定。正常情况下，一开始的时候，可能判别器的性能应该是比较好的，这个时候的算是函数比较低，此时生成器训练过程肯定是很慢的。但是最终的趋势应该是，判别器的损失数值很小，也就是说生成器已经生成了非常好的样本，此时传递进去真标签的假数据，那么判别器已经分辨不出来了。

我个人理解应该是这样一个流程。
但是这里书写这篇文章的原因，也是因为我在实践过程中，发现了一些不同的地方，或者是说不理解的趋势。

我本身要做的事情，是利用GAN网络来生成一个SIN一维信号。在判别器和生成器中，都利用LSTM作为一层。判别器就是鉴定这个数据是不是假的，而生成器就是接受一个随机的数值，然后输入到生成器中，然后利用LSTM的运算，实现最后的信号曲线。
但是，我看到的损失函数趋势是，混合GAN的损失函数越来越高，而判别器的损失数值越来越低，最后变为了0。我不是很清楚我什么地方做错了，网络是我自己涉及的，但是GAN的整体流程是看的别人的。
这里问题出在了什么地方我也不是很清楚。这里先这样记录着，看看后续是不是还能有所改进。

这篇文章将会在后续过程中继续更新。

（20200826 更新）
我之前的时候，可能没弄清楚这到底是怎么回事。
我觉得，我这里要理解的问题是，在比较理想的情况下，GAN的两个模型在训练过程中，应该是一个怎么样的趋势。可能一开始是震荡的，但是最终是不是收敛到一个值，这个收敛的值是不是固定的呢？之前的时候我看到过他们说好像是0.5，但是我始终没有看到过。
我当时看到的结果就是一个判别器变成了0，而生成器一直增大。

（20200901 更新）
在文章[1]中提到，如果达到的训练的稳定点（可能需要非常长的时间和非常多的训练迭代次数）时，判别器会判定生成器的生成数据为0.5，这一点是不是可以作为参考的地方呢？！当然，这仅仅时单个实例的概率。

参考

[1]Generative Adversarial Nets in TensorFlow