火热的生成对抗网络（GAN），你究竟好在哪里

【在线直播】《TensorFlow实战》作者、PPmoney大数据算法总监黄文坚老师即将开课：《使用TensorFlow创建可自动玩游戏的DQN模型》，本次课程集中讲解Deep-Q Network及其TensorFlow的实现。点击报名

自2014年Ian Goodfellow提出生成对抗网络（GAN）的概念后，生成对抗网络变成为了学术界的一个火热的研究热点，Yann LeCun更是称之为”过去十年间机器学习领域最让人激动的点子”。生成对抗网络的简单介绍如下，训练一个生成器（Generator，简称G），从随机噪声或者潜在变量（Latent Variable）中生成逼真的的样本，同时训练一个鉴别器（Discriminator，简称D）来鉴别真实数据和生成数据，两者同时训练，直到达到一个纳什均衡，生成器生成的数据与真实样本无差别，鉴别器也无法正确的区分生成数据和真实数据。GAN的结构如图1所示。

图1 生成对抗网络的基本架构

近两年来学术界相继提出了条件生成对抗网络（CGAN），信息生成对抗网络（InfoGAN）以及深度卷积生成对抗网络（DCGAN）等众多GAN的变种，图2来自去年一篇论文：Image-to-Image Translation with Conditional Adversarial Nets，我们可以看到GAN已经被引入到了各种以往深度神经网络的任务中，例如从分割图像恢复原图像（左上角第一对），给黑白图片上色（右上角第一对），根据纹理图上色（右下角第一对），另外，GAN还可以做图像超分辨率，动态场景生成等，关于GAN的更多应用请见另一篇博客深度学习在计算机视觉领域的前沿进展。<