生成模型和生成对抗网络是何方神圣？计算机视觉的魔力

全文共4413字，预计学习时长13分钟

来源：Pexels

概述

 

· 生成模型和生成对抗网络（GANs）是计算机视觉应用最新进展的核心。本文将介绍GANs及其不同的组件。有一些激动人心的GANs用例，快来探索！

 

引言

 

你能辨别出下列图片中的奇怪之处吗？

 

 

 

这幅图片呢？

 

 

 

图中所有的实物和动物都由GANs这种计算机视觉模型生成！它是目前深度学习中最流行的一类，可以激发人类潜藏的创造力。

 

GANs无疑是笔者在深度学习中最喜欢的话题之一，这些模型创造出的各种程序我都喜欢，比如生成新的人脸图像或创造图画，还有修复旧画中遗失的部分！

 

这篇文章将介绍生成网络和GANs,了解其各种程序，并进一步探索工作机制（组件）。

 

目录

 

1. 什么是生成模型？

2. 生成模型的应用程序

3. 生成模型的种类

1.显性密度

2.隐性密度

4. 了解显性密度模型

5. GANs概况

6. 训练GANs步骤详解

 

1. 什么是生成模型？

 

在放眼看这些应用程序之前先来理解生成模型的理念，可以帮助可视化不同的用例，而且随后在探讨GANs时也会有所涉及。

 

运用机器学习或深度学习时通常会遇到两大问题——监督学习和无监督学习。

 

在监督学习中，会遇到自变量x和目标标签y。目标是学习映射x、y的映射函数。

 

 

监督学习的例子有分类、回归、目标检测、图像分割等。

 

无监督学习的问题是只有自变量x但无目标标签。目标是通过数据学习一些潜在的模式。无监督学习的例子有聚类、降维等。

 

所以，生成模型适合用于何处？

 

有了训练数据，生成模型会从训练集分布中生成新的样本。假如有一个拥有分布 pdata(x)的训练集，想生成一些样本，使样本pmodel(x)的分布与pdata(x)相似。简单点说：

 

使用生成模型，先学习训练集的分布，再利用所学的分布结合一些变量生成新的观察和数据点。

 

现在，有多种方法可以学习模型分布和数据真实分布之间的映射，在那之前，先给大家看几个超酷的生成式应用，也许会让你对生成模型产生兴趣。

 

2. 生成模型的应用

 

为什么首先需要生成模型？甚至笔者一开始就有这个疑问，但看的应用越多，就越相信生成模型的能力。

 

且让我解释一些用例回答这个问题。

 

生成数据

 

你曾经试过从零开始建立深度学习模型吗？大多数人最常遇到的一个难题就是缺少训练数据，即便数据再多。我肯定你不介意更多的数据&#x