终于有人把生成对抗网络（GAN）讲明白了

导读：简而言之，机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术，而本文的主角——生成对抗网络则是深度学习中的一种分类。

作者：史丹青

来源：大数据DT（ID：hzdashuju）

它们之间的关系可以通过图1-11清晰地表示。

▲图1-11 人工智能、机器学习、深度学习与生成对抗网络四者的关系

01 从机器感知到机器创造

机器学习与深度学习在过去几年取得了重大突破，尤其是深度学习的发展让计算机具备了非常强大的感知能力，计算机可以感知物体、识别内容，甚至理解人们说的话。

从机器学习到深度学习的不断发展过程中，机器一直在不停地模仿人类的思维方式，希望能像人一样思考，但仅仅具备感知能力似乎是不够的，人类思维能力的迷人之处更在于它的创造能力，我们希望计算机能够自己创作艺术作品，如写诗、谱曲、作画等。

越来越多的研究者将自己的研究方向从机器感知转向了机器创造，希望通过生成技术能够让计算机具备生成新事物的能力。在生成技术的研究中，本文的主角——生成对抗网络应运而生，它打破了人们对传统生成模型的理解，并取得了非常令人满意的效果。

要了解生成对抗网络，不得不先认识一下“生成对抗网络之父”Ian Goodfellow（见图1-17，以下简称Ian）。

▲图1-17 GAN 发明者：Ian Goodfellow

Ian本科与研究生在斯坦福大学计算机科学专业就读，读博士时期在蒙特利尔大学研究机器学习，师承深度学习的顶级大师Yoshua Benjo（业界公认他与Geoffre Hinton、Yann LeCun并列为深度学习领域的“三驾马车”），而生成对抗网络正是Ian在蒙特利尔大学读博士期间提出的想法。

Ian在毕业后先后在Google和OpenAI进行深度学习相关的研究，在此期间对GAN的持续发展做出非常大的贡献。

Ian发明生成对抗网络是出于一个偶然的灵感，当时他正在蒙特利尔大学和其他博士生一起进行生成模型的研究，他们想通过该生成模型让计算机自动生成照片。

当时他们的想法还是希望使用传统的神经网络方法，希望通过模拟人的大脑思考方式来进行图片的生成。但是生成的图像质量始终不理想，如果继续对现在的模型进行优化，需要非常大量的训练数据集，而且最终的可行性也不得而知。