GAN概述

什么是生成对抗网络（GAN）？

Generative Adversarial Networks (GANs)
  • Generative 学习得到生成式模型
  • Adversarial 使用对抗博弈的方法训练
  • Networks 使用神经网络
GAN的核心思想：通过对抗的方式去学习数据分布的生成式模型
通过生成网络G (Generator)和判别网络D (Discriminator)不断博弈，来达到生成类真数据的目的

对抗学习 VS 监督学习

GAN的思想：是一种生成与鉴别的对抗，在对抗过程中相互促进。例如警察和小偷的相互博弈。
监督学习：有明确的标签信息，类似于教小朋友画画
对抗学习：小朋友自己模仿，由大人来鉴别好坏
GAN训练的时候需要判别器D评价生成结果的好坏，并以此为依据进行梯度更新，训练优化；不需要提前标注好的标签。
监督学习预测的结果需要和提前标注好的标签进行比较，计算损失函数。

GAN的作者

2014年，Ian Goodfellow 和蒙特利尔大学的其他研究者（包括Yoshua Bengio）提出GANs
生成对抗网络是一个热门的研究方向，2014年至今，进行了广泛的研究，井喷式增长

学习GAN的原因

1.无监督对GAN来讲是小菜一碟
  • 训练深度学习模型需要大量数据
  • 标注数据费时费力
  • GAN提供更便捷的方法训练模型
2.GAN通过图像风格迁移可以将马变成斑马
  • Image-to-Image
  • 桔子变苹果、一秒变名画
  • 图像风格迁移
3.GAN可以输入文本生成图像 语音画画
  • Text-to-Image
  • 标题生成图像
  • 风格转换
4.GAN的1+1>2
  • GAN+ Transfer Learning
  • 超分辨率图像生成
  • Mind2Mind

GAN的发展脉络

GAN轻松入门和概述【优雅霸气手撕GAN（生成对抗网络）】

还犹豫什么，GAN（干）就是了！！！

GAN资源库（超详细据丰富）

GAN轻松入门和概述【优雅霸气手撕GAN（生成对抗网络）】