警察們開(kāi)始繼續(xù)訓(xùn)練自己的破案技術(shù)爆捞，開(kāi)始抓住那些越來(lái)越狡猾的小偷。隨著這些職業(yè)慣犯?jìng)兊穆渚W(wǎng)跃闹，警察們也練就了特別的本事嵌削，他們能很快能從一群人中發(fā)現(xiàn)可疑人員，于是上前盤(pán)查望艺，并最終逮捕嫌犯苛秕；小偷們的日子也不好過(guò)了，因?yàn)榫靷兊乃酱蟠筇岣哒夷绻€想以前那樣表現(xiàn)得鬼鬼祟祟艇劫，那么很快就會(huì)被警察捉住。

經(jīng)常提升技能惩激，更多小偷被抓

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

同時(shí)得到了最強(qiáng)的小偷和最強(qiáng)的警察

非大白話版本

生成對(duì)抗網(wǎng)絡(luò)（GANs）由2個(gè)重要的部分構(gòu)成：

1. 生成器(Generator)：通過(guò)機(jī)器生成數(shù)據(jù)（大部分情況下是圖像），目的是“騙過(guò)”判別器
2. 判別器(Discriminator)：判斷這張圖像是真實(shí)的還是機(jī)器生成的富雅，目的是找出生成器做的“假數(shù)據(jù)”

生成對(duì)抗網(wǎng)絡(luò)GANs由生成器和判別器構(gòu)成

下面詳細(xì)介紹一下過(guò)程：

第一階段：固定「判別器D」掸驱，訓(xùn)練「生成器G」

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

一開(kāi)始，「生成器G」還很弱图筹，所以很容易被揪出來(lái)帅刀。

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

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

固定判別器，訓(xùn)練生成器

第二階段：固定「生成器G」痢掠，訓(xùn)練「判別器D」

當(dāng)通過(guò)了第一階段驱犹，繼續(xù)訓(xùn)練「生成器G」就沒(méi)有意義了。這個(gè)時(shí)候我們固定「生成器G」足画，然后開(kāi)始訓(xùn)練「判別器D」雄驹。

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

到了這個(gè)時(shí)候，「生成器G」已經(jīng)無(wú)法騙過(guò)「判別器D」。

固定生成器蔬将，訓(xùn)練判別器

循環(huán)階段一和階段二

通過(guò)不斷的循環(huán)爷速，「生成器G」和「判別器D」的能力都越來(lái)越強(qiáng)。

最終我們得到了一個(gè)效果非常好的「生成器G」霞怀，我們就可以用它來(lái)生成我們想要的圖片了惫东。

下面的實(shí)際應(yīng)用部分會(huì)展示很多“驚艷”的案例。

循環(huán)訓(xùn)練里烦，2遍越來(lái)越強(qiáng)

如果對(duì) GANs 的詳細(xì)技術(shù)原理感興趣凿蒜，可以看看下面2篇文章：

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

《長(zhǎng)文解釋生成對(duì)抗網(wǎng)絡(luò)GAN的詳細(xì)原理（20分鐘閱讀）》

GANs的優(yōu)缺點(diǎn)

3個(gè)優(yōu)勢(shì)

1. 能更好建模數(shù)據(jù)分布（圖像更銳利、清晰）
2. 理論上胁黑，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)形式州泊，比如輸出層是高斯的丧蘸。
3. 無(wú)需利用馬爾科夫鏈反復(fù)采樣，無(wú)需在學(xué)習(xí)過(guò)程中進(jìn)行推斷遥皂，沒(méi)有復(fù)雜的變分下界力喷，避開(kāi)近似計(jì)算棘手的概率的難題。

2個(gè)缺陷

1. 難訓(xùn)練演训，不穩(wěn)定弟孟。生成器和判別器之間需要很好的同步，但是在實(shí)際訓(xùn)練中很容易D收斂样悟，G發(fā)散拂募。D/G 的訓(xùn)練需要精心的設(shè)計(jì)。
2. 模式缺失（Mode Collapse）問(wèn)題窟她。GANs的學(xué)習(xí)過(guò)程可能出現(xiàn)模式缺失陈症，生成器開(kāi)始退化扰付，總是生成同樣的樣本點(diǎn)潭枣，無(wú)法繼續(xù)學(xué)習(xí)桑逝。

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

10大典型的GANs算法

GANs 算法有數(shù)百種之多志电，大家對(duì)于 GANs 的研究呈指數(shù)級(jí)的上漲卧秘，目前每個(gè)月都有數(shù)百篇論壇是關(guān)于對(duì)抗網(wǎng)絡(luò)的钓瞭。

下圖是每個(gè)月關(guān)于 GANs 的論文發(fā)表數(shù)量：

關(guān)于GANs的論文呈指數(shù)級(jí)增長(zhǎng)

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

上面內(nèi)容整理自《Generative Adversarial Networks - The Story So Far》原文中對(duì)算法有一些粗略的說(shuō)明蚤蔓，感興趣的可以看看卦溢。

GANs 的13種實(shí)際應(yīng)用

GANs 看上去不如「語(yǔ)音識(shí)別」「文本挖掘」那么直觀。不過(guò)他的應(yīng)用已經(jīng)進(jìn)入到我們的生活中了。下面給大家列舉一些 GANs 的實(shí)際應(yīng)用单寂。

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)集的贬芥，如果全部靠人工收集和標(biāo)注，成本是很高的宣决。GANs 可以自動(dòng)的生成一些數(shù)據(jù)集蘸劈，提供低成本的訓(xùn)練數(shù)據(jù)。

GANs生成人臉的矢量算法案例

生成人臉照片

生成人臉照片是大家很熟悉的應(yīng)用尊沸，但是生成出來(lái)的照片用來(lái)做什么是需要思考的問(wèn)題威沫。因?yàn)檫@種人臉照片還處于法律的邊緣。

2014年至2017年GANs能力進(jìn)展的實(shí)例

生成照片洼专、漫畫(huà)人物

GANs 不但能生成人臉棒掠，還能生成其他類型的照片，甚至是漫畫(huà)人物屁商。

GANs生成的照片

GANs生成的漫畫(huà)人物

圖像到圖像的轉(zhuǎn)換

簡(jiǎn)單說(shuō)就是把一種形式的圖像轉(zhuǎn)換成另外一種形式的圖像烟很，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(huà)
• 把白天轉(zhuǎn)換成黑夜

用pix2pix從草圖到彩色照片的示例

GANs應(yīng)用-照片到油畫(huà)蜡镶、馬到斑馬雾袱、冬天到夏天、照片到google地圖

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 ”的論文中官还，演示了使用 GAN芹橡，特別是他們的 StackGAN，從鳥(niǎo)類和花卉等簡(jiǎn)單對(duì)象的文本描述中生成逼真的照片望伦。

從StackGAN獲取鳥(niǎo)類的文本描述和GAN生成照片的示例

語(yǔ)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(yǔ)義操縱 ”的論文中林说，演示了在語(yǔ)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。

語(yǔ)義圖像和GAN生成的城市景觀照片的示例

自動(dòng)生成模特

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

GAN生成了新的模特姿勢(shì)

照片到Emojis

GANs 可以通過(guò)人臉照片自動(dòng)生成對(duì)應(yīng)的表情（Emojis）愕掏。

名人照片和GAN生成的表情符號(hào)示例

照片編輯

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

使用IcGAN編輯照片的效果

預(yù)測(cè)不同年齡的長(zhǎng)相

給一張人臉照片， GANs 就可以幫你預(yù)測(cè)不同年齡階段你會(huì)長(zhǎng)成什么樣滑潘。

用具有不同表觀年齡的GAN生成的面部照片的示例

提高照片分辨率垢乙，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语卤，使得這個(gè)照片更加清晰追逮。

GANs在原始照片的基礎(chǔ)上增加分辨率酪刀，使照片更清晰

照片修復(fù)

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

遮住照片中間的一部分，GANs可以很好的修復(fù)

自動(dòng)生成3D模型

給出多個(gè)不同角度的2D圖像巴席，就可以生成一個(gè)3D模型历涝。

從2D圖像到3D椅子模型的建立過(guò)程