生成對抗網(wǎng)絡(luò) – GANs 是最近2年很熱門的一種無監(jiān)督算法，他能生成出非常逼真的照片，圖像甚至視頻。我們手機里的照片處理軟件中就會使用到它。

本文將詳細介紹生成對抗網(wǎng)絡(luò) – GANs 的設(shè)計初衷、基本原理、10種典型算法和13種實際應(yīng)用。

GANs的設(shè)計初衷

一句話來概括 GANs 的設(shè)計動機就是——自動化。

人工提取特征——自動提取特征

我們在《一文看懂深度學(xué)習(xí)(概念+優(yōu)缺點+典型算法)》中講過，深度學(xué)習(xí)最特別最厲害的地方就是能夠自己學(xué)習(xí)特征提取。

機器的超強算力可以解決很多人工無法解決的問題。自動化后，學(xué)習(xí)能力更強，適應(yīng)性也更強。

人工判斷生成結(jié)果的好壞——自動判斷和優(yōu)化

我們在《監(jiān)督學(xué)習(xí)》中講過，訓(xùn)練集需要大量的人工標(biāo)注數(shù)據(jù)，這個過程是成本很高且效率很低的。而人工判斷生成結(jié)果的好壞也是如此，有成本高和效率低的問題。

而 GANs 能自動完成這個過程，且不斷的優(yōu)化，這是一種效率非常高，且成本很低的方式。GANs是如何實現(xiàn)自動化的呢？下面我們講解一下他的原理。

生成對抗網(wǎng)絡(luò) GANs 的基本原理

大白話版本

知乎上有一個很不錯的解釋，大家應(yīng)該都能理解：

假設(shè)一個城市治安混亂，很快，這個城市里就會出現(xiàn)無數(shù)的小偷。在這些小偷中，有的可能是盜竊高手，有的可能毫無技術(shù)可言。假如這個城市開始整飭其治安，突然開展一場打擊犯罪的「運動」，警察們開始恢復(fù)城市中的巡邏，很快，一批「學(xué)藝不精」的小偷就被捉住了。之所以捉住的是那些沒有技術(shù)含量的小偷，是因為警察們的技術(shù)也不行了，在捉住一批低端小偷后，城市的治安水平變得怎樣倒還不好說，但很明顯，城市里小偷們的平均水平已經(jīng)大大提高了。

警察們開始繼續(xù)訓(xùn)練自己的破案技術(shù)，開始抓住那些越來越狡猾的小偷。隨著這些職業(yè)慣犯們的落網(wǎng)，警察們也練就了特別的本事，他們能很快能從一群人中發(fā)現(xiàn)可疑人員，于是上前盤查，并最終逮捕嫌犯；小偷們的日子也不好過了，因為警察們的水平大大提高，如果還想以前那樣表現(xiàn)得鬼鬼祟祟，那么很快就會被警察捉住。

為了避免被捕，小偷們努力表現(xiàn)得不那么「可疑」，而魔高一尺、道高一丈，警察也在不斷提高自己的水平，爭取將小偷和無辜的普通群眾區(qū)分開。隨著警察和小偷之間的這種「交流」與「切磋」，小偷們都變得非常謹慎，他們有著極高的偷竊技巧，表現(xiàn)得跟普通群眾一模一樣，而警察們都練就了「火眼金睛」，一旦發(fā)現(xiàn)可疑人員，就能馬上發(fā)現(xiàn)并及時控制——最終，我們同時得到了最強的小偷和最強的警察。

非大白話版本

生成對抗網(wǎng)絡(luò)(GANs)由2個重要的部分構(gòu)成：

生成器(Generator)：通過機器生成數(shù)據(jù)(大部分情況下是圖像)，目的是“騙過”判別器

判別器(Discriminator)：判斷這張圖像是真實的還是機器生成的，目的是找出生成器做的“假數(shù)據(jù)”

下面詳細介紹一下過程：

第一階段：固定「判別器D」，訓(xùn)練「生成器G」

我們使用一個還 OK 判別器，讓一個「生成器G」不斷生成“假數(shù)據(jù)”，然后給這個「判別器D」去判斷。

一開始，「生成器G」還很弱，所以很容易被揪出來。

但是隨著不斷的訓(xùn)練，「生成器G」技能不斷提升，最終騙過了「判別器D」。

到了這個時候，「判別器D」基本屬于瞎猜的狀態(tài)，判斷是否為假數(shù)據(jù)的概率為50%。

第二階段：固定「生成器G」，訓(xùn)練「判別器D」

當(dāng)通過了第一階段，繼續(xù)訓(xùn)練「生成器G」就沒有意義了。這個時候我們固定「生成器G」，然后開始訓(xùn)練「判別器D」。

「判別器D」通過不斷訓(xùn)練，提高了自己的鑒別能力，最終他可以準確的判斷出所有的假圖片。

到了這個時候，「生成器G」已經(jīng)無法騙過「判別器D」。

循環(huán)階段一和階段二

通過不斷的循環(huán)，「生成器G」和「判別器D」的能力都越來越強。

最終我們得到了一個效果非常好的「生成器G」，我們就可以用它來生成我們想要的圖片了。

下面的實際應(yīng)用部分會展示很多“驚艷”的案例。

如果對 GANs 的詳細技術(shù)原理感興趣，可以看看下面2篇文章：

《生成性對抗網(wǎng)絡(luò)(GAN)初學(xué)者指南 – 附代碼》

《長文解釋生成對抗網(wǎng)絡(luò)GAN的詳細原理(20分鐘閱讀)》

GANs的優(yōu)缺點

3個優(yōu)勢

能更好建模數(shù)據(jù)分布(圖像更銳利、清晰)

理論上，GANs 能訓(xùn)練任何一種生成器網(wǎng)絡(luò)。其他的框架需要生成器網(wǎng)絡(luò)有一些特定的函數(shù)形式，比如輸出層是高斯的。

無需利用馬爾科夫鏈反復(fù)采樣，無需在學(xué)習(xí)過程中進行推斷，沒有復(fù)雜的變分下界，避開近似計算棘手的概率的難題。

2個缺陷

難訓(xùn)練，不穩(wěn)定。生成器和判別器之間需要很好的同步，但是在實際訓(xùn)練中很容易D收斂，G發(fā)散。D/G 的訓(xùn)練需要精心的設(shè)計。

模式缺失(Mode Collapse)問題。GANs的學(xué)習(xí)過程可能出現(xiàn)模式缺失，生成器開始退化，總是生成同樣的樣本點，無法繼續(xù)學(xué)習(xí)。

擴展閱讀：《為什么訓(xùn)練生成對抗網(wǎng)絡(luò)如此困難？》閱讀這篇文章對數(shù)學(xué)要求很高

10大典型的GANs算法

GANs 算法有數(shù)百種之多，大家對于 GANs 的研究呈指數(shù)級的上漲，目前每個月都有數(shù)百篇論壇是關(guān)于對抗網(wǎng)絡(luò)的。

下圖是每個月關(guān)于 GANs 的論文發(fā)表數(shù)量：

如果你對 GANs 算法感興趣，可以在 「GANs動物園」里查看幾乎所有的算法。我們?yōu)榇蠹覐谋姸嗨惴ㄖ刑暨x了10個比較有代表性的算法，技術(shù)人員可以看看他的論文和代碼。

算法論文代碼GAN論文地址代碼地址DCGAN論文地址代碼地址CGAN論文地址代碼地址CycleGAN論文地址代碼地址CoGAN論文地址代碼地址ProGAN論文地址代碼地址WGAN論文地址代碼地址SAGAN論文地址代碼地址BigGAN論文地址代碼地址

上面內(nèi)容整理自《Generative Adversarial Networks – The Story So Far》原文中對算法有一些粗略的說明，感興趣的可以看看。

GANs 的13種實際應(yīng)用

GANs 看上去不如「語音識別」「文本挖掘」那么直觀。不過他的應(yīng)用已經(jīng)進入到我們的生活中了。下面給大家列舉一些 GANs 的實際應(yīng)用。

生成圖像數(shù)據(jù)集

人工智能的訓(xùn)練是需要大量的數(shù)據(jù)集的，如果全部靠人工收集和標(biāo)注，成本是很高的。GANs 可以自動的生成一些數(shù)據(jù)集，提供低成本的訓(xùn)練數(shù)據(jù)。

生成人臉照片

生成人臉照片是大家很熟悉的應(yīng)用，但是生成出來的照片用來做什么是需要思考的問題。因為這種人臉照片還處于法律的邊緣。

生成照片、漫畫人物

GANs 不但能生成人臉，還能生成其他類型的照片，甚至是漫畫人物。

圖像到圖像的轉(zhuǎn)換

簡單說就是把一種形式的圖像轉(zhuǎn)換成另外一種形式的圖像，就好像加濾鏡一樣神奇。例如：

• 把草稿轉(zhuǎn)換成照片
• 把衛(wèi)星照片轉(zhuǎn)換為Google地圖的圖片
• 把照片轉(zhuǎn)換成油畫
• 把白天轉(zhuǎn)換成黑夜

文字到圖像的轉(zhuǎn)換

在2016年標(biāo)題為“ StackGAN：使用 StackGAN 的文本到逼真照片的圖像合成 ”的論文中，演示了使用 GAN，特別是他們的 StackGAN，從鳥類和花卉等簡單對象的文本描述中生成逼真的照片。

語意 – 圖像 – 照片 的轉(zhuǎn)換

在2017年標(biāo)題為“ 高分辨率圖像合成和帶條件GAN的語義操縱 ”的論文中，演示了在語義圖像或草圖作為輸入的情況下使用條件GAN生成逼真圖像。

自動生成模特

在2017年標(biāo)題為“ 姿勢引導(dǎo)人形象生成 ”的論文中，可以自動生成人體模特，并且使用新的姿勢。

照片到Emojis

GANs 可以通過人臉照片自動生成對應(yīng)的表情(Emojis)。

照片編輯

使用GANs可以生成特定的照片，例如更換頭發(fā)顏色、更改面部表情、甚至是改變性別。

預(yù)測不同年齡的長相

給一張人臉照片， GANs 就可以幫你預(yù)測不同年齡階段你會長成什么樣。

提高照片分辨率，讓照片更清晰

給GANs 一張照片，他就能生成一張分辨率更高的照片，使得這個照片更加清晰。

照片修復(fù)

假如照片中有一個區(qū)域出現(xiàn)了問題(例如被涂上顏色或者被抹去)，GANs可以修復(fù)這個區(qū)域，還原成原始的狀態(tài)。

自動生成3D模型

給出多個不同角度的2D圖像，就可以生成一個3D模型。

總結(jié)

以上是生活随笔為你收集整理的判别两棵树是否相等 设计算法_一文看懂生成对抗网络 - GANs？（附：10种典型算法+13种应用）...的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。