Python微信訂餐小程序課程視頻

https://edu.csdn.net/course/detail/36074

Python實戰量化交易理財系統

https://edu.csdn.net/course/detail/35475
最簡單的X->Y****映射

讀書時代課本上的函數其實就是我們最早接觸關于“映射”的概念，f(x)以“某種邏輯”將橫坐標軸上的值映射到縱坐標軸。后來學習編程之后接觸了函數（或者叫方法）的概念，它以“某種邏輯”將函數輸入映射成輸出，映射邏輯就是函數本身的實現過程。映射就是將若干輸入以某種邏輯轉換成若干輸出，課本上的函數是這樣，編程中的函數是這樣，深度學習中神經網絡同樣是這樣。

圖1 映射關系

最簡單的映射邏輯是線性映射，類似f(x)=wx + b這樣，它的函數圖像是一條直線，其中w和b是映射過程用到的參數。高中數學中的拋物線f(x)=axx + bx +c 是一種比線性映射更復雜的映射關系，同樣a、b、c是該映射過程要用到的參數。 這里不管是w還是abc這樣的參數，同樣存在于神經網絡這種高復雜度的映射過程之中，事實上，我們完全可以將神經網絡類比為我們更為熟悉的直線、拋物線結構。

與我們讀書學習直線、拋物線不同的是，書本中直線、拋物線函數的參數大部分時候都是已知的，而神經網絡中的參數是未知的，或者說不是最優的，我們需要使用已知的樣本（輸入/輸出）去擬合網絡，從而得出最優的參數值，然后將擬合（學習）到的參數應用到新數據中（只有輸入），擬合的這個過程叫做“訓練模型”或者“學習”。

圖2 線性映射與神經網絡類比

神經網絡的輸入輸出

前面說到映射過程有輸入和輸出，同樣神經網絡也有輸入和輸出。就計算機視覺領域相關任務來講，有圖像分類網絡，有目標檢測、分割等網絡，也有專門用于圖像特征提取的網絡，這些網絡的輸入基本都是圖片，輸出要么是分類概率值，要么是跟目標有關的像素坐標值，或者是高維特征向量值，這些輸出有一個共同的特點，都屬于數字類輸出，就像我們剛接觸機器學習時預測房價的案例，算法輸出是房價，也是數字類型。

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-UcsbkcRx-1648228598434)(https://img2022.cnblogs.com/blog/104032/202203/104032-20220325165609074-1035807282.png)]

圖3 普通網絡的輸入輸出

那么神經網絡是否還有更復雜的輸出格式呢？答案是有，神經網絡可以輸出更高維的數據結構，比如圖片。雖然嚴格來講，圖片也是由數字組成，但是為了與前面提到的簡單輸出類型區分，我們可以將輸出圖片的這類神經網絡稱為“生成型網絡”。顧名思義，生成型網絡的特點是可以生成類似圖片這種直觀結果（或者類似網絡輸入那種更高維數據）。

圖4 生成型網絡的輸入輸出（舉例）

生成型網絡的訓練方式一般比較特別，大部分都是無監督學習，也就是事先無需對樣本做人工標注。事實上，了解生成型網絡是我們熟悉無監督學習的一種非常好的途徑。

生成型網絡的實現方式常見有兩種，一個是AutoEncoder，翻譯成中文叫“自編碼器”，基本原理就是將輸入圖片先編碼，生成一個特征表達，然后再基于該特征重新解碼生成原來的輸入圖片，編碼和解碼是兩個獨立的環節，訓練的時候合并、使用的時候拆開再交叉組合。前幾年非常火的AI換臉就是基于AutoEncoder實現的，代碼非常簡單，之前的一篇文章對它有非常詳細的介紹。另一個是GAN，全稱Generative Adversarial Networks，翻譯成中文是“生成對抗型網絡”，它也是由兩部分組成，一個負責生成一張圖片，一個負責對圖片進行分類（判斷真假），訓練的時候一起訓練，使用的時候只用前面的生成網絡。GAN也是本篇文章后面介紹的重點內容。

GAN****生成對抗型網絡工作原理

首先要明確地是，最原始的GAN是2014年提出來的，它可以基于一個無任何標注的圖片樣本集，生成類似風格的全新圖片，就像一個畫家，看了一些示例后，可以畫出類似風格的畫。2014年提出來的GAN結構相對簡單，也存在一些缺陷，比如生成的圖片分辨率太低、網絡訓練很難收斂。后面有人陸陸續續提出了各種改進版本的GAN（變種），雖然各方面都有所調整，但是整體思想仍然沿用第一版，這里也是介紹最原始GAN網絡的工作原理。

GAN網絡主要由兩子網絡組成，一個學名叫Generative Network（顧名思義，生成網絡），輸入隨機數，輸出一張固定尺寸的圖片（比如64*64大小），另一個學名叫Discriminative Network（顧名思義，辨別網絡），輸入前一個網絡生成的圖片以及訓練樣本集中的圖片，輸出真和假（生成的為假、樣本集中的為真）。如果單獨分開來看，這兩沒什么特別的，一個負責生成圖片、一個負責判別真假。但是，GAN高妙之處就在于這兩在訓練過程中并不是獨立的。我們先來看下GAN的結構：

圖5 GAN網絡結構

上面顯示的GAN網絡結構其實非常簡單，但是只看這張圖的人可能會有一個疑問？訓練樣本集只作為辨別網絡（Discriminative network，簡稱D）的輸入并參與訓練，它是怎樣對生成網絡（Generative network，簡稱G）起到作用的？答案在GAN的訓練過程中，GAN的訓練方式主要可以歸納成3個要點：

1、將G的輸出作為D的輸入，并以False標簽來訓練D網絡，更新D網絡的參數，讓D知道什么是假的；

2、將訓練樣本集輸入D，并以True標簽來訓練D網絡，更新D網絡的參數，讓D知道什么是真的；

3、將D的參數凍結，再將D和G兩個網絡串起來，G的輸出還是作為D的輸入，但是這次以True標簽來訓練整個組合網絡。由于D的參數已經凍結，所以整個訓練過程只會更新前面G網絡的參數，讓G知道如何生成看起來像“真的”圖片。

上面的過程1和過程2讓D越來越聰明，知道什么是真的、什么是假的。過程3讓G也越來越聰明，知道如何調整自己的參數，才能讓生成的圖片更能欺騙D。隨著上面的過程不斷反復，G不斷的更新自己的參數，雖然輸入的一直是隨機數，但是輸出的圖片卻越來越像訓練樣本集中的圖片，到此完成了對G的訓練。下面用圖來說明上面的過程：

GAN**（變種網絡）可以解決哪些任務？**

基于GAN思想的生成型網絡有很多應用，比如素材生成，當你已經有一定數量的圖片樣本后，你可以利用GAN生成更多類似但完全不同的圖片，提升樣本庫的豐富性。目前比較成熟的風格遷移（style transfer）也用到了GAN思想，可以將一張手機拍攝的自然風景圖片轉換成山水畫、卡通畫風格。下面是利用Pro-GAN網絡生成的圖公路像素材，剛開始生成的圖像模糊，隨著訓練時間增加，生成的圖像越來越清晰、并且能夠保持與已有樣本集一致的風格。

總結

以上是生活随笔為你收集整理的生成型神经网络的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。