生成对抗网络（GAN）由Ian Goodfellow在2014年提出，旨在提升非监督式学习性能，减少对监督式学习的依赖。GAN包含生成器（G）和判别器（D），G尝试生成逼真的假样本欺骗D，D则试图区分真实和虚假数据。在训练过程中，两者相互博弈，直至达到平衡。训练后，生成器可用于自动创作，判别器可用于机器分类。
生成对抗网络GAN是由蒙特利尔大学Ian Goodfellow在2014年提出的机器学习架构。
要全面理解生成对抗网络，首先要理解的概念是监督式学习和非监督式学习。监督式学习是指基于大量带有标签的训练集与测试集的机器学习过程，比如监督式图片分类器需要一系列图片和对应的标签（“猫”，“狗”…），而非监督式学习则不需要这么多额外的工作，它们可以自己从错误中进行学习，并降低未来出错的概率。监督式学习的缺点就是需要大量标签样本，这非常耗时耗力。非监督式学习虽然没有这个问题，但准确率往往更低。自然而然地希望能够通过提升非监督式学习的性能，从而减少对监督式学习的依赖。GAN可以说是对于非监督式学习的一种提升。
第二个需要理解的概念是“生成模型”, 如下图所示生成图片模型的概念示意图。这类模型能够通过输入的样本产生可能的输出。举个例子，一个生成模型可以通过视频的某一帧预测出下一帧的输出。另一个例子是搜索引擎，在你输入的同时，搜索引擎已经在推断你可能搜索的内容了。
基于上面这两个概念就可以设计生成对抗网络GAN了。相比于传统的神经网络模型，GAN是一种全
最低0.47元/天 解锁文章
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
