生成对抗网络 – GAN 是最近2年很热门的一种无监督算法，他能生成出非常逼真的照片，图像甚至视频。我们手机里的照片处理软件中就会使用到它。
本文将详细介绍生成对抗网络 – GAN 的设计初衷、基本原理、10种典型算法和13种实际应用。
一句话来概括 GAN 的设计动机就是——自动化。
机器的超强算力可以解决很多人工无法解决的问题。自动化后，学习能力更强，适应性也更强。
人工判断生成结果的好坏——自动判断和优化
我们在《监督学习》中讲过，训练集需要大量的人工标注数据，这个过程是成本很高且效率很低的。而人工判断生成结果的好坏也是如此，有成本高和效率低的问题。
而 GAN 能自动完成这个过程，且不断的优化，这是一种效率非常高，且成本很低的方式。GAN是如何实现自动化的呢？下面我们讲解一下他的原理。
生成对抗网络（GAN）由2个重要的部分构成：
生成器(Generator)：通过机器生成数据（大部分情况下是图像），目的是“骗过”判别器
判别器(Discriminator)：判断这张图像是真实的还是机器生成的，目的是找出生成器做的“假数据”
下面详细介绍一下过程：
第一阶段：固定“判别器D”，训练“生成器G”
我们使用一个还 OK 判别器，让一个“生成器G”不断生成“假数据”，然后给这个“判别器D”去判断。
一开始，“生成器G”还很弱，所以很容易被揪出来。
但是随着不断的训练，“生成器G”技能不断提升，最终骗过了“判别器D”。
到了这个时候，“判别器D”基本属于瞎猜的状态，判断是否为假数据的概率为50%。
第二阶段：固定“生成器G”，训练“判别器D”
循环阶段一和阶段二即可
网友评论