生成對抗網絡 – GANs 是最近2年很熱門的一種無監督算法，他能生成出非常逼真的照片，圖像甚至視頻。我們手機里的照片處理軟件中就會使用到它。

本文將詳細介紹生成對抗網絡 – GANs 的設計初衷、基本原理、10種典型算法和13種實際應用。

GANs的設計初衷

一句話來概括 GANs 的設計動機就是——自動化。

人工提取特征——自動提取特征

我們在《一文看懂深度學習(概念+優缺點+典型算法)》中講過，深度學習最特別最厲害的地方就是能夠自己學習特征提取。

機器的超強算力可以解決很多人工無法解決的問題。自動化后，學習能力更強，適應性也更強。

人工判斷生成結果的好壞——自動判斷和優化

我們在《監督學習》中講過，訓練集需要大量的人工標注數據，這個過程是成本很高且效率很低的。而人工判斷生成結果的好壞也是如此，有成本高和效率低的問題。

而 GANs 能自動完成這個過程，且不斷的優化，這是一種效率非常高，且成本很低的方式。GANs是如何實現自動化的呢？下面我們講解一下他的原理。

生成對抗網絡 GANs 的基本原理

大白話版本

知乎上有一個很不錯的解釋，大家應該都能理解：

假設一個城市治安混亂，很快，這個城市里就會出現無數的小偷。在這些小偷中，有的可能是盜竊高手，有的可能毫無技術可言。假如這個城市開始整飭其治安，突然開展一場打擊犯罪的「運動」，警察們開始恢復城市中的巡邏，很快，一批「學藝不精」的小偷就被捉住了。之所以捉住的是那些沒有技術含量的小偷，是因為警察們的技術也不行了，在捉住一批低端小偷后，城市的治安水平變得怎樣倒還不好說，但很明顯，城市里小偷們的平均水平已經大大提高了。

警察們開始繼續訓練自己的破案技術，開始抓住那些越來越狡猾的小偷。隨著這些職業慣犯們的落網，警察們也練就了特別的本事，他們能很快能從一群人中發現可疑人員，于是上前盤查，并最終逮捕嫌犯；小偷們的日子也不好過了，因為警察們的水平大大提高，如果還想以前那樣表現得鬼鬼祟祟，那么很快就會被警察捉住。

為了避免被捕，小偷們努力表現得不那么「可疑」，而魔高一尺、道高一丈，警察也在不斷提高自己的水平，爭取將小偷和無辜的普通群眾區分開。隨著警察和小偷之間的這種「交流」與「切磋」，小偷們都變得非常謹慎，他們有著極高的偷竊技巧，表現得跟普通群眾一模一樣，而警察們都練就了「火眼金睛」，一旦發現可疑人員，就能馬上發現并及時控制——最終，我們同時得到了最強的小偷和最強的警察。

非大白話版本

生成對抗網絡(GANs)由2個重要的部分構成：

生成器(Generator)：通過機器生成數據(大部分情況下是圖像)，目的是“騙過”判別器

判別器(Discriminator)：判斷這張圖像是真實的還是機器生成的，目的是找出生成器做的“假數據”

下面詳細介紹一下過程：

第一階段：固定「判別器D」，訓練「生成器G」

我們使用一個還 OK 判別器，讓一個「生成器G」不斷生成“假數據”，然后給這個「判別器D」去判斷。

一開始，「生成器G」還很弱，所以很容易被揪出來。

但是隨著不斷的訓練，「生成器G」技能不斷提升，最終騙過了「判別器D」。

到了這個時候，「判別器D」基本屬于瞎猜的狀態，判斷是否為假數據的概率為50%。

第二階段：固定「生成器G」，訓練「判別器D」

當通過了第一階段，繼續訓練「生成器G」就沒有意義了。這個時候我們固定「生成器G」，然后開始訓練「判別器D」。

「判別器D」通過不斷訓練，提高了自己的鑒別能力，最終他可以準確的判斷出所有的假圖片。

到了這個時候，「生成器G」已經無法騙過「判別器D」。

循環階段一和階段二

通過不斷的循環，「生成器G」和「判別器D」的能力都越來越強。

最終我們得到了一個效果非常好的「生成器G」，我們就可以用它來生成我們想要的圖片了。

下面的實際應用部分會展示很多“驚艷”的案例。

如果對 GANs 的詳細技術原理感興趣，可以看看下面2篇文章：

《生成性對抗網絡(GAN)初學者指南 – 附代碼》

《長文解釋生成對抗網絡GAN的詳細原理(20分鐘閱讀)》

GANs的優缺點

3個優勢

能更好建模數據分布(圖像更銳利、清晰)

理論上，GANs 能訓練任何一種生成器網絡。其他的框架需要生成器網絡有一些特定的函數形式，比如輸出層是高斯的。

無需利用馬爾科夫鏈反復采樣，無需在學習過程中進行推斷，沒有復雜的變分下界，避開近似計算棘手的概率的難題。

2個缺陷

難訓練，不穩定。生成器和判別器之間需要很好的同步，但是在實際訓練中很容易D收斂，G發散。D/G 的訓練需要精心的設計。

模式缺失(Mode Collapse)問題。GANs的學習過程可能出現模式缺失，生成器開始退化，總是生成同樣的樣本點，無法繼續學習。

擴展閱讀：《為什么訓練生成對抗網絡如此困難？》閱讀這篇文章對數學要求很高

10大典型的GANs算法

GANs 算法有數百種之多，大家對于 GANs 的研究呈指數級的上漲，目前每個月都有數百篇論壇是關于對抗網絡的。

下圖是每個月關于 GANs 的論文發表數量：

如果你對 GANs 算法感興趣，可以在 「GANs動物園」里查看幾乎所有的算法。我們為大家從眾多算法中挑選了10個比較有代表性的算法，技術人員可以看看他的論文和代碼。

算法論文代碼GAN論文地址代碼地址DCGAN論文地址代碼地址CGAN論文地址代碼地址CycleGAN論文地址代碼地址CoGAN論文地址代碼地址ProGAN論文地址代碼地址WGAN論文地址代碼地址SAGAN論文地址代碼地址BigGAN論文地址代碼地址

上面內容整理自《Generative Adversarial Networks – The Story So Far》原文中對算法有一些粗略的說明，感興趣的可以看看。

GANs 的13種實際應用

GANs 看上去不如「語音識別」「文本挖掘」那么直觀。不過他的應用已經進入到我們的生活中了。下面給大家列舉一些 GANs 的實際應用。

生成圖像數據集

人工智能的訓練是需要大量的數據集的，如果全部靠人工收集和標注，成本是很高的。GANs 可以自動的生成一些數據集，提供低成本的訓練數據。

生成人臉照片

生成人臉照片是大家很熟悉的應用，但是生成出來的照片用來做什么是需要思考的問題。因為這種人臉照片還處于法律的邊緣。

生成照片、漫畫人物

GANs 不但能生成人臉，還能生成其他類型的照片，甚至是漫畫人物。

圖像到圖像的轉換

簡單說就是把一種形式的圖像轉換成另外一種形式的圖像，就好像加濾鏡一樣神奇。例如：

• 把草稿轉換成照片
• 把衛星照片轉換為Google地圖的圖片
• 把照片轉換成油畫
• 把白天轉換成黑夜

文字到圖像的轉換

在2016年標題為“ StackGAN：使用 StackGAN 的文本到逼真照片的圖像合成 ”的論文中，演示了使用 GAN，特別是他們的 StackGAN，從鳥類和花卉等簡單對象的文本描述中生成逼真的照片。

語意 – 圖像 – 照片 的轉換

在2017年標題為“ 高分辨率圖像合成和帶條件GAN的語義操縱 ”的論文中，演示了在語義圖像或草圖作為輸入的情況下使用條件GAN生成逼真圖像。

自動生成模特

在2017年標題為“ 姿勢引導人形象生成 ”的論文中，可以自動生成人體模特，并且使用新的姿勢。

照片到Emojis

GANs 可以通過人臉照片自動生成對應的表情(Emojis)。

照片編輯

使用GANs可以生成特定的照片，例如更換頭發顏色、更改面部表情、甚至是改變性別。

預測不同年齡的長相

給一張人臉照片， GANs 就可以幫你預測不同年齡階段你會長成什么樣。

提高照片分辨率，讓照片更清晰

給GANs 一張照片，他就能生成一張分辨率更高的照片，使得這個照片更加清晰。

照片修復

假如照片中有一個區域出現了問題(例如被涂上顏色或者被抹去)，GANs可以修復這個區域，還原成原始的狀態。

自動生成3D模型

給出多個不同角度的2D圖像，就可以生成一個3D模型。

總結

以上是生活随笔為你收集整理的判别两棵树是否相等 设计算法_一文看懂生成对抗网络 - GANs？（附：10种典型算法+13种应用）...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。