CycleGAN模型原理
前面我们了解了好几种GAN，它们大致可分为：
随机生成模型的GAN，包括GAN，DCGAN，WGAN，WGAN-GP等；
带条件生成模型的GAN，包括CGAN，InfoGAN，ACGAN等。
它们都是监督学习模型，即生成网络都有一个目标样本集。
除了监督学习模型，还有一类非监督学习模型，比如CycleGAN。
CycleGAN如下图所示，它能在油画到相片互相生成；马到斑马互相生成；夏天到冬天季节相互变化。它们都不是要把当前域的样本拟合到另一个域。
即：
1 X域所有图片的共性：油画 -> Y域所有图片的共性：真实照片，当前主要特征画内容的线条保持不变；
2 X域所有图片的共性：马的纹理 -> Y域所有图片的共性：斑马纹理，当前马的轮廓不会变；
3 X域所有图片的共性：夏天风景 -> Y域所有图片的共性：冬天风景，当前的河流，树木轮廓都不会变。
怎么才能达到上面的要求呢？以马到斑马为例：
1 在X马的样本里面，我们能找到它的公共特性就是马那黄色填充的毛，在Y斑马的样本里面，公共特性就是那条纹的着色填充。如果要把X拟合成Y，把Y拟合成X，那么很容易想到用GAN既可以解决，即用最小化“原始GAN的损失”来达到。
2 但是在步骤1完成后，我们会发现，马变成斑马后再也不像以前那匹马了。对人来说，感受物体最主要的特征就是物体的轮廓，所以我们采用最小化“Cycle一致性损失”，即对于单一的当前样本来说，X转成Y，然后再转回来X1，必须保持轮廓大致不变，这样人就会觉得物体没有变化。但对于计算机来说，它能看到的主要特征是大面积的着色填充，在X转成Y，或者Y再转回来的的过程中，着色填充确实做到了X到Y，Y到X的拟合。这样步骤1和步骤2就完成了计算机和人的双重欺骗。
3 怎么还有步骤3呢？这是论文后来加上的。在油画到真实照片的转换中，或反之，我们不希望它们的转换对自身产生作用，即X转成X1，Y转成Y1，不希望转换做任何改变，直接返回就可以了。论文中用最小化“Identity映射损失”来达到。
综上所述，就是用大面积的着色来骗计算机，用对人眼敏感的轮廓来骗人。这个理论也可以用在CGAN训练MNIST上，高斯随机噪声加数字输入，数字可以看作轮廓，噪声里面隐含了计算机能看到的着色。
损失函数组成
根据上面的分析，整个CycleGAN的目标损失函数由3部分组成：
1 原始GAN的损失：X通过生成网络G生成Y，到鉴别网络DY的输出；Y通过生成网络F生成X，到鉴别网络DX的输出。
如代码中：
a X到Y的鉴别网络loss（dB_loss_fake），生成网络loss（g_AB_loss）：
img_A -> g_AB(img_A) -> fake_B -> d_B(fake_B) -> valid_B : 输入img_A，输出valid_B，鉴别网络d_B目标fake，生成网络g_AB目标valid;
b 真实Y的鉴别网络loss（dB_loss_real）：
img_B-> d_B(img_B) -> valid_B : 输入img_B，输出valid_B，鉴别网络d_B目标valid;
c Y到X的鉴别网络loss（dA_loss_fake），生成网络loss（g_BA_loss）：
img_B -> g_BA(img_B) -> fake_A -> d_A(fake_A) -> valid_A : 输入img_B，输出valid_A，鉴别网络d_A目标fake，生成网络g_BA目标valid;
d 真实X的鉴别网络loss（dA_loss_real）：
img_A-> d_A(img_A) -> valid_A : 输入img_A，输出valid_A，鉴别网络d_A目标valid。
2 Cycle一致性损失：X通过生成网络G生成Y，然后再通过生成网络F回到X1，X到X1的损失。网络的目标是保证这种损失尽量小，即能还原X。
如代码中：
a 生成网络loss（g_AB_BA_loss）：
img_A -> g_AB(img_A) -> fake_B -> g_BA(fake_B) -> reconstr_A ：输入img_A，输出reconstr_A，生成网络g_AB -> g_BA目标imgs_A；
b 生成网络loss（g_BA_AB_loss）：
img_B -> g_BA(img_B) -> fake_A -> g_AB(fake_A) -> reconstr_B ：输入img_B，输出reconstr_B，生成网络g_BA -> g_AB目标imgs_B。
3 Identity映射损失：X通过网络F生成X1，网络需要保证X到X1几乎没有改变，即X域到X域的转变不需要修改，最大保留X的特性。
如代码中：
a 生成网络loss（g_BA_Ident_loss）：
img_A -> g_BA -> img_A_id ：输入img_A，输出img_A_id，目标imgs_A；
b 生成网络loss（g_AB_Ident_loss）：
img_B -> g_AB -> img_B_id ：输入img_B，输出img_B_id，目标img_B。
综上，鉴别网络的loss为：dA_loss_real，dA_loss_fake，dB_loss_real，dB_loss_fake；生成网络的loss为：g_AB_loss，g_BA_loss，g_AB_BA_loss，g_BA_AB_loss，g_AB_Ident_loss，g_BA_Ident_loss。
