【摘要】：生成式对抗网络启发自博弈论中的二人零和博弈，将成为深度学习的下一个热点，它将改变我们认知世界的方式。GAN解决问题的方式是用不同的目标分别训练两种不同的网络：1）创造答案。GAN的思想是：训练两种网络进行竞争，一段时间后，两种网络都无法在对抗中取得进步，或者生成方变得非常厉害以至于即使给定足够的线索和时间，其对抗网络也无法分辨它给的答案是真实的还是合成的。
生成式对抗网络（Generative Adversarial Network，GAN）启发自博弈论中的二人零和博弈，将成为深度学习的下一个热点，它将改变我们认知世界的方式。
准确来讲，对抗式训练为指导人工智能完成复杂任务提供了一个全新的思路，某种意义上他们（人工智能）将学习如何成为一个专家。
GAN解决问题的方式是用不同的目标分别训练两种不同的网络：
1）创造答案（Generator，生成方或生成网络）。
图B.2 过/欠拟合导致对抗样本
2）分辨创造答案与真实答案的区别（Discriminator，对抗方或判断网络）。(www.xing528.com)
GAN的思想是：训练两种网络进行竞争，一段时间后，两种网络都无法在对抗中取得进步，或者生成方变得非常厉害以至于即使给定足够的线索和时间，其对抗网络也无法分辨它给的答案是真实的还是合成的。
GAN要解决的问题是如何从训练样本中学习出新样本，训练样本是图片就生成新图片，训练样本是文章就输出新文章等。
举个对抗式训练的例子，当你试图通过模仿别人完成某项工作时，如果专家都无法分辨这项工作是你完成的还是你的模仿对象完成的，说明你已经完全掌握了该工作所需的技巧。对于像写论文这样复杂的工作，这个例子可能不适用，毕竟每个人的最终成果多少有些不同，但对于造句或写一段话，对抗式训练大有用武之地，事实上它现在已经是计算机生成真实图像的关键所在了。算法流程如图B.3所示。
图B.3 GAN算法
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
