GAN,无监督深度学习新前景方法（1,2）

大家好，我是蜂口的龙鹏，在“陌陌”公司担任深度学习算法工程师，曾任职于360AI研究院，长期从事于图像算法处理和深度学习相关的工作。

撰写本手册，主要和大家来探讨GANs这样一种最具前景的无监督学习方法。 虽然生成对抗网络GANs（Generative adversarial networks）已经被提出来好几年了，但我依然对它非常怀疑。尽管生成对抗网络已经在 64x64 分辨率的图像上取得了巨大的进步，却依然无法打消我的疑虑，于是，我开始阅读了相关的数学书籍，我更加怀疑生成对抗网络事实上并没有学习到数据分布。但是这一点在今年有所改观，首先是新颖有趣的架构（如 CycleGAN）的提出和理论性的提升（Wasserstein GAN）促使我在实践中尝试了生成对抗网络，然后它们的效果还算可以，另外在两次应用过生成对抗网络之后，我开始被它深深折服，并且开始坚信我们必须使用生成对抗网络进行对象生成。

GANs的设计思想其实很简单，它就是用两个模型，一个生成模型，一个判别模型。判别模型用于判断一个给定的图片是不是真实的图片（判断该图片是从数据集里获取的真实图片还是生成器生成的图片），生成模型的任务是去创造一个看起来像真的图片一样的图片。而在开始的时候这两个模型都是没有经过训练的，这两个模型一起对抗训练，生成模型产生一张图片去欺骗判别模型，然后判别模型去判断这张图片是真是假，最终在这两个模型训练的过程中，两个模型的能力越来越强，最终达到稳定状态。GANs还可以学习模拟各种数据的分布，例如文本、语音和图像，因此在生成测试数据集时，它是非常有价值的。

如何构建GANs的生成与判别式模型？它的重要原理又是怎样的࿱