链接:
https://mp.weixin.qq.com/s/1Wiewk_tdzTFvRZInnjiIw
##生成式对抗网络(GANs)
生成式对抗网络(GAN)是一个最新的研究领域,主要用在计算机视觉方面的图像生成和NLP方面的生成式对话内容。简单说:就是机器可以根据需要生成新的图像和对话内容。
【摘要】GAN是由Goodfellow等人于2014年设计的生成模型。在GAN设置中,两个由神经网络进行表示的可微函数被锁定在一个游戏中。这两个参与者(生成器和鉴别器)在这个框架中要扮演不同的角色。
【引言】假设:
你的邻居正在举办一场非常酷的聚会,你非常想去参加。但有要参加聚会的话,你需要一张特价票,而这个票早就已经卖完了。而对于这次聚会的组织者来说,为了让聚会能够成功举办,他们雇佣了一个合格的安全机构。主要目标就是不允许任何人破坏这次的聚会。为了做到这一点,他们在会场入口处安置了很多警卫,检查每个人所持门票的真实性。
考虑到你没有任何武术上的天赋,而你又特别想去参加聚会,那么唯一的办法就是需要用一张非常有说服力的假票来骗他们。但是这个计划存在一个很大的bug——你从来没有真正看到过这张门票到底是什么样的。所以,在这种情况下,如果你仅是根据自己的创造力设计了一张门票,那么在第一次尝试期间就想要骗过警卫几乎是不可能的。除此之外,除非你有一个很好的关于此次聚会的门票的复印件,否则你最好不要把你的脸展露出来。
为了帮助解决问题,你决定打电话给你的朋友Bob为你做这个工作。Bob的任务非常简单。他会试图用你的假通行证进入聚会。如果他被拒绝了,他将返回,然后告诉你一些有关真正的门票应该是什么样的建议。
基于这个反馈,你可以制作一张全新版本的门票,然后将其交给Bob,再去检票处尝试一下。不断重复这个过程,直到你能够设计一个完美的门票“复制品”。
因此,可以看出,这是一个A通过利用B反馈来的信息,不断学习尝试任务C的过程。
而下面这张照片,其实是从一个假票据生成器网站上拿到的。
不难看出,票据上拥有Price价格、Fee成本费、Seat座位号等特征。对于上面的小故事,抛开其中的假想成分,只考虑加粗部分,不断利用反馈来的特征信息补全内容的工作方式就是生成对抗神经网络。
目前生成对抗网络的大部分应用在计算机视觉领域。其中一些应用包括训练半监督分类器,以及从低分辨率图像中生成高分辨率图像。
####生成对抗网络(Generative Adversarial Networks)
显然,该网络框架由输入图像、生成器(伪造器)、训练集(真图)、判别器组成。
输入噪声图像,捕捉关键特征后通过生成器将其伪装成假象图片,判别器会将该假象图片与训练集图片进行比较,反馈缺陷。
生成器试图生成来自某种概率分布的数据。即你想重新生成一张聚会的门票。
判别器就像一个法官。它可以决定输入是来自生成器还是来自真正的训练集。这就像是聚会中的安保设置,将你的假票和这正的门票进行比较,以找到你的设计中存在的缺陷。
我们将一个4层卷积网络用于生成器和鉴别器,进行批量正则化。对该模型进行训练以生成SVHN和MNIST图像。以下是训练期间SVHN(上)和MNIST(下)生成器样本: