生成对抗网络(GAN, Generative Adversarial Networks)是一种深度学习模型,是近年来复杂分布上无监督学习最具前景的方法之一,也是当下热门的人工智能技术之一,被美国《麻省理工科技评论》评为2018年“全球十大突破技术”。
一、生成对抗网络相关概念
(一)生成模型 在概率统计理论中,生成模型是指能够在给定某些隐含参数的条件下,随机生成观测数据的模型,它给观测值和标注数据序列指定一个联合概率分布。在机器学习中,生成模型可以用来直接对数据建模,也可以用来建立变量间的条件概率分布。通常可以分为两个类型,一种是可以完全表示出数据确切的分布函数,一种是只能做到新数据的生成,而数据分布函数则是模糊的。其中,对抗生成网络属于第二种类型。较为常见的生成模型有高斯混合模型、隐马尔科夫模型等。
(二)判别模型 在机器学习领域判别模型是一种对未知数据y与已知数据x之间关系进行建模的方法,是一种基于概率理论的方法。已知输入变量x,通过构建条件概率分布P(y|x)预测y。较为常见的判别模型有支持向量机、决策树、逻辑回归、条件随机场、人工神经网络等。
二、生成对抗网络基本原理
(一)基本思想 生成对抗网络的基本思想是二人零和博弈思想,即参与博弈的双方,在严格竞争下,一方的收益必然意味着另一方的损失,博弈各方的收益和损失相加总和永远为“零”,双方不存在合作的可能。在生成对抗模型中进行博弈 的是生成模型(G)和判别模型(D)。 其中生成模型G负责接收一个随机的