GAN要取代深度学习了？请不要慌！

最新推荐文章于 2024-08-12 00:55:18 发布

weixin_34256074

最新推荐文章于 2024-08-12 00:55:18 发布

阅读量137

点赞数

文章标签：人工智能

原文链接：https://yq.aliyun.com/articles/601005

版权

计算机视觉顶会盛会CVPR 2018召开在即，从官方现在接收的论文类型来看，这届会议展现出了一个奇怪的现象：生成对抗网络GAN，正在成为新的“深度学习”。MMP，深度学习还没学会，难道我又要被时代抛弃了吗？

根据Google Research的研究科学家Jordi Pont-Tuset做的一个统计，它通过查看这些论文的类型，看到了未来深度学习的发展趋势。结果，他发现生成对抗网络（GAN）强势出击，大有取代“深度学习”（Deep Learning）之势。

不要不信，我们可是有图有真相！下面这张图展示了CVPR 2018的论文题目中，关键词GAN、Deep，以及LSTM的对比：

455007b595a6fecba15d9dd6d35d5d74971334c8

可以看出，普通的“深度学习”已经在走下坡路，而且趋势明显。Jordi Pont-Tuset认为，这很可能是有些研究人员绝对深度学习已经没什么研究的了，都去尝试一些新的领域。

在普通的“深度学习”走下坡路的同时，GAN慢慢的成为新宠，统计显示有8%的论文标题中含有GAN（这一数据相比2017年增长了2倍多）。

需要指出，这里统计的仅仅是三大计算机视觉会议接收论文的标题里的关键词。Jordi Pont-Tuset推测：普通的“深度学习”可能已经为人熟知，如今在研究领域开始往更细的、更具体的方向发展，比如GAN。

GAN是新的“深度学习”？

生成对抗网络（Generative Adversarial Nets）是Ian Goodfellow 等人2014年的论文《Generative Adversarial Nets》中提出，它是非监督学习的一种方法，通过让两个神经网络相互博弈的方式进行学习。

1c51e9a707b979a4b672720af05decdcafd768bb

来源：Slinuxer

生成对抗网络是由一个生成网络（Generator）与一个判别网络（Discriminator）组成。生成网络从潜在空间（latent space）中随机采样作为输入，其输出结果需要尽量模仿训练集中的真实样本。判别网络的输入则是生成网络的输出，其目的是将生成网络的输出从真实样本中尽可能分辨出来。而生成网络则要尽可能地欺骗判别网络。两个网络相互对抗、不断调整参数，最终目的是使判别网络无法判断生成网络的输出结果是否真实。

还不能完全理解GAN？害怕自己会落后？

不要着急，云栖君给你汇总一些自家产的生成对抗网络学习资料：

1.GAN网络通俗解释（图画版）

摘要：最通俗的GAN网络介绍！

2.创意对抗网络（CANs）你知多少？

摘要：人类最难让计算机做的事情之一就是创造性地思考。计算机非常善于从事人们精确指定的工作，并且完成的速度非常快。而创造力是一个抽象的概念，把给计算机赋予创造力已经被证明是机器学习方面一个非常困难的的挑战。

3.神经网络中的造物者-GANs

摘要：人工智能正在成为一种创造性的力量，本篇文章介绍了GANs的由来和应用，并且探寻GANs在人工智能中的重要意义。

4. 深度卷积对抗生成网络(DCGAN)实战

摘要：本文作者通过一个实战小例子介绍了什么是GANS，如何使用TensorFlow来实现GANS，对于想要了解GANS的学习者来说，这篇文章绝对入门。

5. 程序员的魔法——用Masking GAN让100,000人都露出灿烂笑容

摘要：本文使用Masking GAN来对静态的图像中的人物图像进行处理，使其都露出灿烂笑容，堪称魔法。每个程序员都是一个魔法师，你玩过的魔法是什么呢？欢迎留言秀出各自的魔法。