深度学习的下一个热点：生成对抗网络(GANs)将改变世界

本文作者 Nikolai Yakovenko 毕业于哥伦比亚大学，目前是 Google 的工程师，致力于构建人工智能系统，专注于语言处理、文本分类、解析与生成。

生成式对抗网络—简称GANs—将成为深度学习的下一个热点，它将改变我们认知世界的方式。

准确来讲，对抗式训练为指导人工智能完成复杂任务提供了一个全新的思路，某种意义上他们（人工智能）将学习如何成为一个专家。

举个对抗式训练的例子，当你试图通过模仿别人完成某项工作时，如果专家都无法分辨这项工作是你完成的还是你的模仿对象完成的，说明你已经完全掌握了该工作的所需的技巧。对于像写论文这样复杂的工作，这个例子可能不适用，毕竟每个人的最终成果多少有些不同，但对于中等难度的任务，比如造句或写一段话，对抗式训练大有用武之地，事实上它现在已经是计算机生成真实图像的关键所在了。

GANs解决问题的方式是用不同的目标分别训练两种不同的网络。

• 一种网络创造答案（生成方）
• 另一种网络分辨前者创造的答案与真实答案的区别（对抗方）

GANs的诀窍是这样的：训练两种网络进行竞争，一段时间后，两种网络都无法在对抗中取得进步，或者生成方变得非常厉害以至于即使给定足够的线索和时间，其对抗网络也无法分辨它给的答案是真实的还是合成的。

这其中有很多有趣的细节，但我们暂时先忽略这些细节。GANs 可以在给定绘制图像类别和随机种子（random seed）的条件下，自主完成图像的绘制：
“给我画一只啄木鸟，并且它不能是我之前给你看过的那些啄木鸟。”

StackGAN绘制的合成鸟

在数学方面, 谷歌研究中心的科学家们用GANs创造了一种编码协议。GANs的生成方 Alice向Bob传递通过卷积神经网络编码的信息以及密钥。Eve则扮演对抗方，即可以拿到编码的信息，但没有密钥。Eve训练网络来分辨信息中的噪音和有价值的部分，然而对抗方失败了，无法将上述两个部分区分开来。

在这一网络结构兴起的早期，以及现在，我还从未听说哪个基于GAN的公开demo（演示程序）可以在完成某句话这一任务上媲美前馈LSTM。虽然前馈LSTM（比如Karpathy特征循环神经网络）仅仅是一个基准（baseline），