深度学习之生成式模型

        机器学习模型分生成式模型（Generative Models）和判别式模型(Discriminative Models)。判别式模型就是给出一个判断，比如是哪个类别，是多少值。也就是说，判别式模型给出的是一个值。为什么需要生成式模型？因为有时候不想要一个值，我们想学习一个分布(Distribution)，这个时候就需要生成式模型。总之，生成式模型就是学习到一个分布。

        如何表示一个分布？可以用概率密度函数来表示。所以当然可以设计一个模型去学习一个概率密度函数。有了概率密度函数之后，如何从概率密度函数中采样得到一个样本又是另一个难题。所以，为什么不直接学习一个模型，这个模型隐式地学习到一个分布，我们可以直接从这个模型中输出采样样本，且这些输出的样本就是从我们需要的分布中采样出来的呢？

        GAN就是按这样的思路来设计的模型。一个GAN模型就代表了一个分布。那么如何从分布中采样？需要告诉GAN在分布的哪个位置采样，这就是输入GAN的z。从一个简单的分布中采样得到z，把z输入GAN，GAN根据z的值有样学样的在自己的分布中采样得到输出。z是GAN去做采样的锚点，如果没有z，GAN就不知道在这个分布中要采哪个位置。生成z的分布可以随便取，最简单的就是取高斯分布。实际上，取其他任何分布都是可以的。

        所以，GAN是一种基于采样的生成式模型，它不会去学习这个分布的概率密度函数，它只要知道怎么采样就可以了。它有个输入z，告诉GAN采哪个样本。

        今天，基于采样的生成式模型非常流行。大概可以分成3种：

1. Variational Autoencoder(VAE)
2. GAN
3. Flow Based Models

        第1种是自编码机的变体，叫做VAE，它用自编码机去做跟GAN类似的事情，隐式学习一个分布然后从这个分布中采样。它的理论推导过程比较有意思。但是效果不如GAN，因为它没有要求生成的图片要非常自然，做得最好的VAE也就是跟GAN差不多而已；

        第2种是GAN，它是优化2个分布的距离。由于GAN的效果比较好，投身研究GAN的人非常多，导致GAN的理论获得了长足的发展；过去，GAN的训练比较难。今天，已经有很多工作可以参考。比如，DCGAN告诉你怎么去设计一个网络可以出来好的效果，虽然是经验性的；WGAN告诉你GAN难训练的问题怎么解决。

        第3种是Flow Based Models，它的设计非常巧妙，惊人的是居然这样子也可以生成图片。它提出的时间跟GAN差不多，但是由于它需要输入跟输出的维度相同，计算量非常大，导致研究的人极少，目前也就OpenAI自己有在做。做得最好的Flow Based Models效果也可以媲美GAN。

        要做生成式模型，个人认为还是应该走GAN的技术路线。但是选择做什么，怎么做需要一次次地思考。毕竟，目前已经有几百篇GAN的论文。需要寻找到新的价值才能做。