对抗生成网络（GAN）简介及生成数字实战

最新推荐文章于 2024-09-09 20:10:28 发布

科研小条

最新推荐文章于 2024-09-09 20:10:28 发布

阅读量3.5k

点赞数 2

文章标签：生成对抗网络人工智能神经网络

本文链接：https://blog.csdn.net/weixin_44829487/article/details/127584338

版权

一、简介

生成对抗网络（Generative Adversarial Netword，简称GAN），是一种生成式机器学习模型，该方法由伊恩·古德费洛等人于2014年提出，曾被称为“机器学习这二十年来最酷的想法”，可以用来创造虚构的人物和场景，人脸置换、模拟人脸老化，图像风格变换，以及产生化学分子式等等，被广泛应用于广告、娱乐、游戏、制药等等行业。

二、组成部分

生成对抗网络（GAN）由2个重要的部分构成：

①生成器(Generator)：通过机器生成数据（大部分情况下是图像），目的是“骗过”判别器。

②判别器(Discriminator)：判断这张图像是真实的还

生成器从潜在空间（latent space）中随机取样作为输入，其输出结果需要尽量模仿训练集中的真实样本。判别器的输入则为真实样本或生成网络的输出，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。工作原理如图所示。

从博弈论的角度来看，如果是零和博弈（zero-sum game），两者最终会达到纳什均衡（Nash equilibrium），即存在一组策略(g, d)，g和d相互成就达到均衡。如果Generator不选择策略g，那么对于Discriminator来说，总存在一种策略使得Generator输得更惨；同样地，将Generator换成Discriminator也成立。