机器学习李宏毅学习笔记17

---

前言

生成式对抗网络（四） Cycle GAN

---

Cycle GAN

之前训练一个network，输入x输出y，都是成对的资料才能训练。可是有一种情况，有x和有y但是x和y不是成对的，如何训练。（非监督）

如影像风格转换，有真人的图片和动漫人物图片，但是不是对应的，通过GAN是可以进行转换的。

转换一下之前的想法，能不能把之前的分布改成domain X的图片的分布，输出是y domain的分布。

套用原来GAN想法，从X domain sample一个图片，给generator产生另一张图片。一个discriminator看过很多y domain的图片，看到y domain的图片给高分。

但是这就有一个问题，就是generator输出的图片不一定跟输入有关系，也可以通过discriminator。这就很想conditional GAN，但是又无法套用conditional GAN，应为conditional GAN 有成对的资料。但是现在没有成对的资料训练discriminator。

使用cycle GAN，可以解决这个问题。训练两个generator，第一个generator是吧x domain的图训练成y domain；第二个generator是把y domain的图还原成x domain。一个图片是一个向量，让两个向量间距离越接近表示两张图越像。

这样第一个generator就不能随便产生人脸了。但是目前还无法保证输入和输出的人脸很像，也许机器会学到奇怪的转换（如反转）。

做cycle GAN的时候，也可以做另外一个方向的转变。

这种非监督式的cycle GAN，还可以应用到seq2seq，不同语言的，文本和精简，声音和文本等等。

---

总结

学习视频地址：https://www.bilibili.com/video/BV13Z4y1P7D7?p=17&vd_source=3a369b537e1d34ff9ba8f8ab23afedec