一文读懂生成对抗网络GANs（附学习资源）

原文标题：AnIntuitive Introduction to Generative Adversarial Networks

作者：KeshavDhandhania、ArashDelijani

翻译：申利彬

校对：和中华

本文约4000字，建议阅读10分钟。
本文以图像生成问题引出GAN模型，并介绍了GAN模型的数学原理和训练过程，最后提供了丰富的GAN学习资料。

本文讨论生成对抗网络，简称GANs。在生成任务或更广泛的无监督学习中，GANs是为数不多在此领域表现较好的机器学习技术之一。特别是他们在图像生成相关任务上拥有出色表现。深度学习领域先驱Yann LeCun，称赞GAN是机器学习近十年来最好的想法。最重要的是，GAN相关核心概念很容易理解（事实上，读完本文后你就可以对它有个清晰的认识）。

我们将GANs应用在图像生成任务中，并以此来解释GANs，下面是本文的概要：

• 简单回顾深度学习

• 图像生成问题

• 生成任务中的关键问题

• 生成对抗网络

• 挑战

• 进一步阅读

• 总结

 

简单回顾深度学习

（前馈）神经网络示意图，棕色为输入层，黄色为隐藏层，红色为输出层

 

我们先简单介绍一下深度学习。上图是神经网络示意图，它是由神经元组成，神经元之间通过边相互连接，而且神经元按层排列，中间为隐藏层，输入层和输出层分别在左右两侧。神经元之间的连接边都有权重，每一个神经元都会根据与其连接的神经元的输入值加权求和，然后带入非线性激活函数中计算，这类激活函数有Sigmoid和ReLU。例如，第一层隐藏层神经元对来自输入层神经元的值进行加权求和，然后再应用ReLU函数。激活函数引入了非线性，它使神经网络可以模拟复杂的现象（多个线性层等价于一个线性层）。

 

给一个特定的输入，我们依次计算每个神经元输出的值（也称为神经元的活性）。从左到右，我们利用前层计算好的值来逐层计算，最后得到输出层的值。然后根据输出层的值和期望值（目标值）定义一个损失函数，例如，均方误差损失函数。