GAN ，gan 的应用

gan网络。这种结构可以提供高速、低功耗的传输，具有良好的电磁兼容性。在此基础上，研究人员设计了一种新型的gan器件，它可以实现更更高的功率密度和更低的成本。该器件的制备方法包括将gan薄膜浸渍在溶剂中，然后在真空环境下进行退火处理，将退火后的gann薄膜置于紫外光照射下进行热处理。本发明提供的器件具有良好的光催化活性，可广泛应用于环境保护领域。

一gan网络

关于gan的应用我们已经讲了，，上一篇也提到过，gan实际就是生成网络和对抗网络的博弈训练的结果。好下来我们就来具体看看，他们是怎么博弈的。

我们的输入是什么，输入很简单，是一堆某一类真实的图片。，我们要创建一个生成模型，这个生成模型可以制造出接近真实的图片。生成模型怎么弄？其实和我们之前的神经网络一样的，没啥区别。我们试想想，之前的神经网络，是做某些判别操作，输入其实是一个矩阵，输出，说白了，还是一个矩阵。，这里所谓的生成模型，只不过是输入层是一个大约100的矩阵（就是有多少种可能，输入实际是震荡的，随便输入）而输出，刚刚好是一个图片的大小。我们还是举一个之前最著名的例子把MNIST数据集，手写阿拉伯数字，还记得吗，那里的图片是2828及784大小的向量即可。这个网络我们基于之前的知识，随手就可以造出来了（，刚开始的时候W，B参数都是随机的输入，没有经过训练的，所以只能产生一些很傻的图片）。

好了，有了这个生成模型来生成数据，不管他傻不傻，他总可以生成图片了。ok，这个时候就有两个图片

好，下面开始创建博生成网络，进行博弈了！

刚刚我们说的，用刚刚的判别网络，完成一轮学习，这个时候是没学完的，没关系，判别网络可以用了，把学好的参数拿下来，套接再刚刚的生成模型上，那么理论上，这个时候生成模型生成的东西，后面再串接刚刚学好参数的判别网络，输出肯定是0（假货），好，我们就用这个组成一个网络，让这个标签变成1来学习。一下这里是由生成模型，和判别参数组成了生成网络，而这个网络里头的生成模型的目的，不再是为了生成假图片，而是为了学习。这个学习的目的是，通过判别网络，让其计算结果为1（以假乱真），所以标签变成了1！好，这一轮学习很重要，而特殊点在于，判别参数是嫁接再生成模型后面的，他在学习过程中，这些判别参数是不在生成网络改变的，仅仅帮助生成网络传递cost。

好，这一轮生成网络学习结果，使得生成网络参数发生变化了，然后把变化参数记录到生成网络中，重新回到刚刚的判别网络中，再进行一轮学习，更新判别网络的参数。如此反复，形成博弈。，生成网络中的生成模型就学习好了。

注意，这篇讲解是有点抽象的，因为以前一个网络里头，只有一个模型。而gan中，有两个网络，而这两个网络都含有两个模型，要给生成模型，一个判别模型，所以很容易搞混淆。

我们看看实际的代码吧，给予tensorflo的

这个应该没有什么问题，用普通的神经网络，定义了一个生成模型。唯一不同的是，这里使用了variable_scope这个东西再gan中起到非常重要的左右，一会讲，这里注意一下。

毫无疑问，这个是判别模型。

下面看看怎么把他们组成两个网络

这里还不是真正的网络，只是完成模型的实例化，后面定义的两个判别模型，这个应该看的懂，注意，第二个判别网络，reuse是true，这里就说明了，这个就是用于生成网络中，重用判别网络的判别参数。

看到没，这里才是真正的判别网络还有生成网络的创建，分别是d_loss还有g_loss。

然后梯度下降的训练模型

到这里，整个gan的模型就创建完了，大家看，这里用了var命名空间，也就是说，在判别网络中，只训练判别模型参数，而在生成网络中，只训练生成模型参数，从而达到刚刚我说的共享参数，而且只训练对应模型参数的效果，从而形成博弈。

训练过程比较简单了

分别训练就好了。

好了，整个gan网络原理就是这样，这个网络理解起来是比较抽象的，不容易懂。我这里有完整的样例代码就是用gan网络训练生成MNIST数据集的图片。给予jupyter notebook的，有需要的同学给我留言。

，我在PAI上跑的DCGAN终于通过啦，过两天就可以分享了，哈哈。

二gan网络用来解决什么问题

通用接入网络在3GPP中，把非授权的移动接入（UMA）定义为GAN，即“通用接入网络”。用来作为固定网络与移动网络融合（FMC）的架构，通过GAN的控制器（GANC），使移动台（MS）能与3GPP的CS（电路交换）域和PS（分组交换）域实现连接。实现以移动为中心的固移融合（FMC）架构。

网络是由节点和连线构成，表示诸多对象及其相互联系。在数学上，网络是一种图，一般认为专指加权图。网络除了数学定义外，还有具体的物理含义，即网络是从某种相同类型的实际问题中抽象出来的模型。在计算机领域中，网络是信息传输、接收、共享的虚拟平台，通过它把各个点、面、体的信息联系到一起，从而实现这些资源的共享。网络是人类发展史来最重要的发明，提高了科技和人类社会的发展。

三gan网络结构

P-GaN: Mg doped p-type doping（参杂镁） Carrier（携带）:hole (阱）
N-GaN: Si doped GaN（参杂硅） Crraier（携带）:electron（电子）
InGaN/GaN (MQW) :cycle groth InGaN/GaN （间隔蒸镀）
Different material = different color(avelength)
InN ~ 1.9 eV = 652 nm : Red
InGaN ~ 2.76 eV = 450 nm : Blue
GaN ~ 3.4 eV = 364.7 nm : UV
AlN ~ 6.2 eV = 200 nm : Deep UV
GaN就是氮化镓，中间部分发光层根据发光颜色不同，有氮化镓或者氮化铟镓（InGaN）或两者的混合物。
发光二极管简称为led。由镓（ga）与砷（as）、磷（p）的化合物制成的二极管，当电子与空穴复合时能辐射出可见光，因而可以用来制成发光二极管。在电路及仪器中作为指示灯，或者组成文字或数字显示。磷砷化镓二极管发红光，磷化镓二极管发绿光，碳化硅二极管发黄光一定的电流后，电子与空穴不断流过pn结或与之类似的结构面，并进行自发复合产生辐射光的二极管半导体器件

四gan网络是无监督吗

你好！！ 可以的，将GAN用来预训练DQN的深度卷积网，GAN还可以调整DQN的高层特征的空间分布。