【机器学习】Gans生成对抗网络入门

Generative Adversarial Networks，生成对抗网络。

从未学过AI，从超分辨率接触到这个概念，初步学习记录，受益匪浅，记录如下。

什么是生成对抗网络（GANs）？

2014年Goodfellow 等人启发自博弈论中的二人零和博弈，开创性地提出了生成对抗网络 （GAN）。生成对抗网络包含一个生成模型和一个判别模型。其中，生成模型负责捕捉样本数据的分布，而判别模型一般情况下是一个二分类器，判别输入是真实数据还是生成的样本。这个模型的优化过程是一个“二元极小极大博弈”问题 ，训练时固定其中一方（判别网络或生成网络），更新另一个模型的参数，交替迭代，最终，生成模型能够估测出样本数据的分布。生成对抗网络的出现对无监督学习，图片生成的研究起到极大的促进作用。生成对抗网络已经从最初的图片生成，被拓展到计算机视觉的各个领域，如图像分割、视频预测、风格迁移等。

上面这段话有几个关键点

1.GANs的开创者：Goodfellow 

2.GANs包含两个主要的模型：生成模型和判别模型。

3.两个模型交替迭代，直到生成模型达到输出要求。

4.算法对无监督学习的研究起到极大的促进作用。

5.应用领域图片生成、图像分割、视频预测、风格迁移

借鉴其他网友朴实的描述生成对抗网络：“假设一个城市治安混乱，很快，这个城市里就会出现无数的小偷。在这些小偷中，有的可能是盗窃高手，有的可能毫无技术可言。假如这个城市开始整饬其治安，突然开展一场打击犯罪的「运动」，警察们开始恢复城市中的巡逻，很快，一批「学艺不精」的小偷就被捉住了。之所以捉住的是那些没有技术含量的小偷，是因为警察们的技术也不行了，在捉住一批低端小偷后，城市的治安水平变得怎样倒还不好说，但很明显，城市里小偷们的平均水平已经大大提高了。”

GANs 架构

GAN架构由两个主要网络组成：

1.生成器：试图将随机噪声转换为看起来像是从原始数据集中采样的观测值。

2.鉴别器：试图预测一个观测值是来自原始数据集还是生成器的伪造品。

不用数学的方式描述，因为我也是入门学习。

应用

图像分割

图像分割是指将图像的中的内容根据不同的语义分割开来。绝大多数分割的方法是将图像的每个像素进行分类，这样就忽略了空间一致性这个重要信息。生成对抗网络做图像分割时，生成模型被图像像素分类的网络替换，判别模型用于判断是网络的分类产生的分割图（Class predictions）还是标准的分割图（Ground truth）。

视频预测

视频预测是根据当前的几帧视频预测接下来的一帧或者多帧视频。一般常用的做法是用最小二乘回归视频帧的逐个像素值，这样做的一个问题就是生成视频帧存在动作模糊（Motion blur）。一种采用生成对抗网络的做法是，将现有视频帧改变不同尺寸输入生成模型G，让其输出接下来的真值帧（Ground truth frame）。图6给出了生成对抗网络应用于视频预测时生成网络部分示意图。判别模型和一般生成对抗网络相同，即判断视频帧是生成的还是训练数据原有的。

给一张人脸照片， GANs 就可以帮你预测不同年龄阶段你会长成什么样。

风格迁移

风格迁移是指将目标图像的风格迁移到源图像当中，使得源图像保留内容的同时具有目标图像的风格，比如将卡通人物的风格迁移到真实人脸图像使其成为卡通头像。生成对抗网络用于图像风格迁移时其特点有3个：1）将源图像输入生成网络后，生成网络输出目标图像风格的图片；2）生成图像和源图像特征相同（或者说保持内容）；3）当把目标图像输入生成网络后，生成网络仍然输出目标图像（相当于单位映射）。

看了很多资料，觉得写的好的如下

“AI”科普丨超详细整理，一文彻底搞懂生成对抗网络（GANs）原理

生成对抗网络 – Generative Adversarial Networks | GAN-腾讯云开发者社区-腾讯云