Deep-Learning-with-PyTorch-2.2.1

2.2.1 GAN游戏

在深度学习的背景下，我们刚才所说的称为GAN游戏，其中两个网络（一个充当绘画者，另一个充当艺术史学家）在创造和检测伪造方面相互竞争，胜过彼此。 GAN代表生成对抗网络，其中生成意味着正在创建某种东西（在这种情况下，是虚假的杰作），对抗意味着这两个网络正在竞争以超越另一个，而网络非常明显。 这些网络是最近深度学习研究的最原始成果之一。

请记住，我们的总体目标是生成不能被识别为伪造图像的合成示例。 与合理示例混在一起时，熟练的审查员将很难确定哪些是真实的，哪些是我们的伪造品。

生成器网络在我们的方案中充当画家的角色，任务是从任意输入开始生成逼真的图像。 鉴别器网络是不道德的检查员，需要告诉给定的图像是由生成器制造的还是属于一组真实图像。 对于大多数深度学习架构而言，这种由两个网络组成的设计都是非典型的，但是当用于实施GAN游戏时，它可能会导致令人难以置信的结果。

图2.5显示了发生的情况。 生成器的最终目标是欺骗鉴别器，将真实和伪造的图像混合在一起。 鉴别器的最终目标是找出被欺骗的时间，但它也有助于告知生成器所生成图像中可识别的错误。 刚开始时，生成器会生成混乱的三眼怪物，看起来像伦勃朗的画像，鉴别者可以轻松地将混乱的混乱与真实的绘画区分开。 随着训练的进行，信息从鉴别器流回，生成器使用它进行改进。 到训练结束时，生成器才能够产生令人信服的赝品，而辨别器不再能够分辨出哪一个。

请注意，“鉴别者胜利”或“生成器胜利”不应该一字不漏地使用-两者之间没有明确的比赛。 但是，这两个网络都是根据另一个网络的结果进行训练的，这驱动了每个网络参数的优化。

事实证明，这项技术能够使生成器从噪声和条件信号（例如属性（例如，用于面部：年轻，女性，戴眼镜的人）或其他图像中产生任何逼真的图像。 换句话说，训练有素的生成器将学习一个合理的模型，以生成即使在经过人类检查时也看起来真实的图像。