生成式对抗网络的基础知识

生成对抗网络，简称GANs，是人工智能（AI）的最新理念之一，是一类用于机器学习、计算机视觉和其他形式的人工智能的神经网络，由Ian J. Goodfellow开发并介绍。在这篇文章中，我们将了解什么是GANs，它们被用于何处，以及它们如何工作。

什么是GANs？

生成对抗网络（GANs）是一类流行的神经网络，用于无监督学习（一类机器学习，数据中没有预先存在的标签）。GANs产生新的数据，因此，有广泛的使用案例。每条记录或信息，无论是文本、视频还是音频都是数据，GAN可以用来生成新的或伪造的版本。GAN被认为是机器学习中最有力的突破之一，它的应用从简单的需求到非常复杂的要求都有。

它们是如何工作的？

两个对立的神经网络构成了GAN的核心架构：一个网络，称为生成器，根据某些参数创建新的信息，而第二个网络，称为鉴别器，检查数据，看它是否合法。生成器试图生成现实的数据，而鉴别器网络则试图区分它所生成的数据。生成器网络使用鉴别器的输出，根据需要更新其参数，创造出看起来更真实的数据。

生成器预测给定标签的数据的特征/特性。因此，这个组件首先接收一个随机向量（初始随机图像的代表），并生成一组假数据，转发给判别器。在每一次迭代中，生成器都以更精细的方式运行。

鉴别器，顾名思义，必须将传入的数据分类为真实或虚假。为此，鉴别器在真实数据集上进行了训练，因此当遇到假数据时，与训练过的参考数据的差异使其能够检测到它。

在每一次迭代中，分类的结果被送回生成器进行微调。鉴别器试图区分真假数据，而生成器只试图在理论上创造一个更准确的真实数据的代表。这两个模型不断地相互对立，经过一段时间后，它们变得越来越好，直到结果是一个能产生真实输出的生成器网络。

GAN架构

这个流程图将对GAN的工作方式进行简要描述。

系统流程。

1. 首先，给一个初始化为随机值的向量作为模型的输入。

2. 有两种类型的图像。生成的图像和真实的图像。生成的图像是生成器的输出，而真实的图像是模型训练的训练数据的一部分。

3. 真实图像和生成的图像被发送到鉴别器，鉴别器将真实图像与生成的图像进行比较。

4. 鉴别器然后使用二进制分类法将给定的图像分类为真实或虚假。

5. 基于这些结果，生成器和鉴别器被更新。它们的权重和偏置被相应地修改，用于下一次的训练迭代。这个过程对训练数据集中的所有图像继续进行，模型慢慢学会如何生成与训练数据集相似的图像。

一个简单的GAN架构涉及到随机噪声，作为输入给生成器，生成器通过对输入进行一些操作将这种噪声转化为期望的输出。由于输入是随机数据或噪声，GAN可以通过从分布的不同地方对数据进行采样来产生各种各样的输出。这确保了GAN不会生成已经存在的数据。

通过广泛的测试和实验，人们发现输入数据的初始分布并不重要，因为GAN会将这些数据转化为有意义的东西。因此，可以给出像均匀分布这样简单的东西作为输入。输入的噪声只是一个开始，以便GAN有东西可以转换。

结论 进一步阅读

GANs在机器学习领域是非常新的，并且处于早期发展阶段。有各种各样的GANs，有不同的使用情况。例如，DCGAN，即深度卷积生成对抗网络，是上述GAN的一个修改。DCGAN在网络的生成器和判别器部分分别使用卷积神经网络和卷积-转折层来生成新图像。DCGAN有一个深度神经网络架构，由生成器和判别器的多层神经网络组成。