生成对抗网络的基本原理，生成对抗网络的概念

简介：简而言之，机器学**是一种使人工智能成为可能的技术，深度学**是一种使机器学**成为可能的技术，而本文的主角生成对抗网络是深度学**中的一个分类。

作者：施丹青来源：华章科技这些关系在图1-11中清晰可见。

图1-11 人工智能、机器学**、深度学**和生成对抗网络之间的关系

01 从机器识别到机器创造机器学**和深度学**近年来取得了长足的进步。尤其是随着深度学**的发展，计算机已经获得了极其强大的认知能力。计算机可以识别物体、识别内容，甚至理解任何事物。人们说。在从机器学**到深度学**的发展过程中，机器不断模仿人类思维，目的是像人类一样思考，但仅仅拥有识别能力似乎还不够。由于其创造力，我们希望计算机能够自己创作艺术作品，例如写诗、作曲、绘画。越来越多的研究人员正在将研究方向从机器感知转向机器创造，希望通过生成技术让计算机拥有生成新事物的能力。马苏。在生成技术的研究中，本文的主角——生成对抗网络顺应时代的需求而出现，打破了人们对传统生成模型的认识，取得了非常令人满意的结果。要理解生成对抗网络，首先需要了解“生成对抗网络之父”Ian Goodfellow（见图1-17，以下简称Ian）。

图1-17 GAN发明者：Ian Goodfellow

Ian 在斯坦福大学本科和研究生学**计算机科学，在蒙特利尔大学攻读机器学**博士学位，师从顶级深度学**大师Yoshua Benjo（业界称他为“三驾马车”之一）。 ）。生成对抗网络是伊恩在蒙特利尔大学攻读博士学位时提出的一个想法。毕业后，Ian 在Google 和OpenAI 进行深度学**相关研究，期间为GAN 的持续发展做出了重大贡献。伊恩出于偶然的灵感发明了生成对抗网络。当时，他正在蒙特利尔大学与其他博士生一起研究生成模型。他们希望利用这种生成模型让计算机自动生成照片。他们当时的想法是利用传统的神经网络技术来模拟人脑的思维方式来生成图像。然而，生成的图像质量远不理想，并且当前模型的持续优化需要非常大的训练数据集，最终的可行性尚不清楚。当时，Ian 对传统神经网络的使用提出了质疑，并认为这可能不是最理想的解决方案。一天晚上，他突然有了一个新想法。如果他同时使用两个神经网络而不是一个，是否能得到更好的结果呢？这个想法给了他一种新的思维方式。在Ian的概念中，两个神经网络处于博弈和冲突而非合作关系（见图1-18）。这是原始的生成对抗网络。

图1-18 《麻省理工科技评论》 2018年十大技术进步照片

与人类成长经历类似，某些技能只有在与相似的人竞争的环境中才可能学得更快；例如，在各种比赛中，尤其是体育比赛中，成绩总是接近顶尖。虽然有局限性，但很大一部分原因是玩家之间的竞争和对抗。从仿生学的角度来看，生物体的发育过程中其实也存在着类似的状态，通过与其他物种尤其是天敌的对抗而不断进化，向更完整的状态转变。这一理论是由进化生物学家Lee Van Valen于1973年总结并提出的。这被称为“红皇后假说”。这是关于生物共同进化的假说。为了争夺有限的资源，物种必须不断优化自身。与掠食者和其他竞争对手战斗。该物种的捕食者和竞争者也必须不断进化以获得相应的资源。 Ian 是一位非常大胆的实干家和编码高手。当基本理论大致清晰后，他立即开始付诸实践。在最初的几次实践中，这种相互矛盾的想法反映在实验数据的图像中。取得了很好的成果。生产。生成对抗网络是一项全新的技术，为人工智能领域的生成方向带来了新的突破。在接下来的几年里，生成对抗网络成为深度学**领域的研究热点。近年来，与GAN 相关的论文数量也迅速增加（见图1-19）。互联网上有人正在构建一个GAN 模型。截至2018年2月，企业数量超过350家，并且数量还在持续增加。

图1-19 GAN论文数量趋势图

深度学**三驾马车的另一位顶级专家Yann LeCun（纽约大学教授、Facebook 前首席人工智能科学家）称生成对抗网络是“过去20 年来深度学**领域最重要的事情。”有史以来最酷的想法。”中国知名公司百度前首席科学家吴恩达也认为生成对抗网络是“深度学**领域非常重要的进步”。在顶级机器学**会议NIPS2016 上，Ian 发表了关于GAN 的特别主题演讲（见图1-20）。

图1-20 Ian先生在NIPS2016大会上的分享

这种对抗性神经网络思想被《麻省理工科技评论》 评为2018 年全球十大突破性技术（10Breakthrough Technologies）之一。 2018年10月，法国艺术制作团队Obvious使用GAN算法生成的一幅画作以43万美元的高价被拍卖，甚至超过了同场拍卖的毕加索作品，其作品的受欢迎程度也迅速增长。 GAN 在公众中的影响力。 https://deephunt.in/the-gan-zoo-79597dc8c347

02 什么是生成对抗网络？首先我们通过一个小例子来了解生成对抗网络。首先，让我们了解生成对抗网络的两个部分：—— 生成器和鉴别器。训练过程中两者的配合非常重要。生成器可以比作古董造假者（虽然这个比喻可能不太恰当），他们的成长过程就是从零基础的“初学者”到“山寨艺术家”。鉴定师扮演古董鉴定师的角色，一开始只是普通级别的“鉴定师”，但随着与假冒厂商的博弈，逐渐成长为技艺精湛的鉴定师。如图1-21所示，下面我们将以假冒产品的生产和识别为例来解释生成对抗网络的工作原理。我们先来看第一种情况。造假者都是缺乏经验的“初学者”，他们不了解真品古董的本质，完全按照自己的想法创造产品。

图1-21 生成对抗网络：创建者和鉴别器

如果仿制品简单易辨，即使是技术不熟练的初级鉴定师也能一眼辨别出真假。鉴定完成后，评估员将撰写一份报告，其中包含任何发现的结果，例如光洁度不佳或颜色变化。第一次对决就这样结束了，看起来我们离预期的目标还很远，不过没关系，这只是一个开始。在第二阶段，造假者通过某种途径获得鉴定人的证书，仔细检查其中包含的所有信息，并利用该信息重新制造伪造品。他希望改进后的假货能够愚弄鉴别者。这次造出来的赝品，肯定比之前的要成熟很多。作为鉴定师，如果你再次收到赝品和真品，你就必须重新评估该件作品的真伪。这一次，我们还了解到，造假者的技术有所提高，需要他花更多的时间寻找更深层次的差异，以辨别真品和赝品。当然，鉴定师费了九牛二虎之力，顺利完成了工作，并且和第一次一样，写了一份报告，总结了鉴定真伪的理由（这些信息后来会泄露给造假工人）。第二次交锋到此结束。当然，这场对抗并没有结束，而且，就像上面的故事一样，一次又一次地持续着……两个人经历了N场比赛，在训练的过程中变得非常强大，其中还有很多模仿者的作品。真假难辨，鉴定师早已成为“目光敏锐”的专家。最终的博弈如下：伪造者完全了解鉴定者的心理。虽然他从未见过真正的古董是什么样子，但他已经熟悉了古董的特征以及可能的鉴定过程。大家都明白。就在他们心里。鉴赏家对此类赝品“眼尖”，但已无能为力，只能凭运气猜测真假，无法根据明确的理由做出判断。这就是生成对抗网络的最终目的，我们所要做的就是培养这个能够锻造真实事物的生成器。

作者简介：石丹青，御翼科技联合创始人、技术总监，毕业于同济大学电子信息工程系。拥有多年AI领域创业和实践经验，拥有深度学**、自然语言处理、数据可视化等相关知识和技能。他热爱AI技术，拥抱一切新兴技术，始终相信技术共享的力量和开源精神。

本文摘自《生成对抗网络入门指南》（第2版），经出版商许可发布。

详情请点击这里《生成对抗网络入门指南》（第二版）

推荐词：探索AI如何生成逼真的面部图像并追踪GAN前沿技术的最新更新。