Generative adversarial network（GAN）生成對抗網絡

1、GAN的初衷就是生成不存在于真實世界的數據。類似于使得AI具有創造力或者想象力。

應用場景：

①AI作家、AI畫家等需要創造力的AI體

②將模糊圖變清晰（去雨、去霧、去抖動、去馬賽克等），這需要AI具有所謂的“想象力”，能腦補情節

③進行數據增強，根據已有數據生成更多數據供以feed，可以減緩模型過擬合現象

2、GAN原理

GAN的兩大護法：G、D

G是generator，生成器:?負責憑空捏造數據出來

D是discriminator，判別器:?負責判斷數據是不是真數據

在最原始的GAN論文里，G和D都是兩個多層感知機網絡。

? ? ? 以圖像為例，解釋上圖，z是隨機噪聲（就是隨機生成的一些數，也即是GAN生成圖像的源頭）。D通過真圖和假圖的數據（相當于天然label），進行一個二分類神經網絡訓練。G根據一串隨機數就可以捏造一個“假圖像”出來，用這些假圖去欺騙D，D負責辨別這是真圖還是假圖，會給出一個score。比如，G生成了一張圖，在D這里得分很高，那證明G是很成功的；如果D能有效區分真假圖，則G的效果還不太好，需要調整參數。GAN就是這么一個博弈的過程。

3、GAN訓練

? ? ? GAN的訓練遵循DGDGDG的順序，其中DG為一輪，先訓練D再訓練G，可以看出不是等所有的D訓練好以后，才開始訓練G，因為D的訓練也需要上一輪中G的輸出值作為輸入。

? ? ? 設DGDGDG為D（1）G（1）D（2）G（2）D（3）G（3），以訓練D（2）G（2）為例。

（1）訓練D（2）

? ? ? 將G（1）產生的圖片和真實圖片直接拼接在一起作為x，按順序擺放0和1，假圖對應0，真圖對應1。然后就可以通過x輸入生成一個score（從0到1之間的數），通過score和y組成的損失函數，就可以進行梯度反傳從而進行訓練。

（2）訓練G（2）

? ? ? 輸入一組隨機向量，就可以在G（2）生成一張圖，通過D（2）對生成的這張圖進行打分。score=1就是DG系統需要優化的目標，score和y=1之間的差異可以組成損失函數，然后可以反向傳播梯度從而進行訓練。注意，這里的D（2）的參數是不可訓練的。這樣就能保證G（2）的訓練是符合D（2）的打分標準的。這就好比：如果你參加考試，你別指望能改變老師的評分標準。

4、整個GAN的整個過程都是無監督的(后面會有監督性。如何理解其是無監督的？

? ? ? 給的真圖都是沒有經過人工標注的，系統只知道是真實的圖片，并不知道來的圖片是什么玩意，比如全是人臉，它只需要分辨真假。G也不知道自己生成的是什么玩意，反正就是學真圖片的樣子騙D。正由于GAN的無監督，在生成過程中，G就會按照自己的意思天馬行空生成一些“詭異”的圖片，可怕的是D還能給一個很高的分數。比如，生成人臉極度扭曲的圖片。這就是無監督目的性不強所導致的。有一篇論文conditional GAN就加入了監督性進去，將可控性增強，表現效果也好很多。

?

?

總結

以上是生活随笔為你收集整理的GAN概述的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。