近年来,在人工智能领域深度学习取得了令人瞩目的成就,在计算机视觉、自然语言处理等各种领域都取得了突破性的进展。深度学习现今主要是依靠神经网络模型来进行学习的,可大致分为三种基础模型,首先的就是卷积神经网络(Convolutional Neural Networks, CNNs,1998)、循环神经网络(RecurrentNeural Networks, RNNs,2014)、和生成对抗网络(Generative Adversarial Nets, GANs,2014)等。
但由于传统的深度学习方法需要大量的数据,并且需要大量的先验知识。鉴于此问题,Ian Goodfellow所提出的生成式对抗网络GAN逐步受到广大学者的关注。生成对抗网络(GAN)的初始原理十分容易理解,即构造两个神经网络,一个生成器,一个鉴别器,二者互相竞争训练,最后达到一种平衡(纳什平衡)。GAN 启发自博弈论中的二人零和博弈(two-player game),GAN 模型中的两位博弈方分别由生成式模型(generativemodel,G)和判别式模型(discriminative model,D)充当。
生成模型 G 捕捉样本数据的分布,用服从某一分布(均匀分布,高斯分布等)的噪声 z 生成一个类似真实训练数据的样本,追求效果是越像真实样本越好;判别模型 D 是一个二分类器,估计一个样本来自于训练数据(而非生成数据)的概率,如果样本来自于真实的训练数据,D 输出大概率,否则,D 输出小概率。采用对抗训练机制进行训练,并使用优化器(如随机梯度下降