生成对抗网络入门指南（内含资源和代码）

生成对抗网络（GAN）是由两个相互竞争的网络组成的深度神经网络架构。

2014年，Lan Goodfellow和蒙特利尔大学包括Yoshua Bengio在内的其它研究人员在论文中介绍了生成对抗网络。Facebook的AI研究主管Yann LeCun称对抗训练是“近10年来最有趣的机器学习（ML）”

生成对抗网络具有很大的潜力，因为它们可以学习模拟任何数据的分布。换句话说，在任何领域，我们都可以教生成对抗网络创造出与我们类似的世界：图像，音乐，演说，散文。从某种意义上来说，它们是机器人艺术家，能够创造出令人印象深刻甚至是伤感的东西。

生成算法和判别算法

为了理解生成对抗网络，首先应该了解生成算法的是如何工作的，为此，现将生成算法和判别算法进行对比以便更好的理解。判别算法试图对输入数据进行分类：即给定一个数据实例的特征，来预测该数据所属的标注或类别。

例如：给定一封电子邮件的所有单词，判别算法能够预测该邮件是否为垃圾邮件。垃圾邮件是其中的一种标注，从邮件中收集到的单词则构成了输入数据的特征。用数学表达式表述这一问题，y表示标注，x表示特征，公式p（y｜x）表示“给定x，y的概率”，则该事件可描述为“给定邮件中所包含的单词，邮件为垃圾邮件的概率”。因此，判别算法将特征映射到标注，只关注二者之间的相关性。

一种理解生成算法的方式是，生成算法做相反的事情。生成算法并不预测给定特征的标注，而是试图预测给定标注的特征。

生成算法试图解决的问题是：假设这封电子邮件为垃圾邮件，它的特征可能是什么？判别模型关注y和x之间的关系，而生成模型关注的是如何得到x。这允许你得到p（x｜y），即给定y，x的概率或给定一个类，特征的概率。（也就是说，生成算法可用作分类器，只不过它不仅仅只是对输入数据进行分类）。

另一种区分判别模型和生成模型的理解方式是：判别模型学习类间的边界，而生成模型模拟各个类的分布。

阅读原文