GAN 已被深度学习之父之一 Yann LeCun 定义为[“这是深度学习的突破”](https://www.quora.com/What-are-some-recent-and-potentially-upcoming-breakthroughs-in-deep-learning)。 GAN 能够学习如何再现看起来真实的合成数据。 例如,计算机可以学习如何绘制和创建逼真的图像。 这个想法最初是由与蒙特利尔大学 Google Brain 合作的 Ian Goodfellow 提出的,最近由 [OpenAI](https://openai.com/) 提出。
...
...
@@ -18,7 +18,7 @@ GAN 已被深度学习之父之一 Yann LeCun 定义为[“这是深度学习的
通过将其视为类似于*艺术伪造*的方式,可以很容易地理解 GAN 的关键过程,这是创作被误认为其他人(通常是更著名的艺术家)的艺术品的过程。 GAN 同时训练两个神经网络。
**生成器**`G(Z)`是造成伪造的一种,而**鉴别器**`D(Y)`就是一种 可以根据对真实艺术品和复制品的观察来判断复制品的逼真度。 `D(Y)`接受输入 Y(例如图像),并投票决定输入的真实程度。 通常,接近零的值表示*真实*,而接近一的值表示*伪造*。`G(Z)`从随机噪声`Z`中获取输入,并训练自己以欺骗 D 认为`G(Z)`产生的任何东西都是真实的。 因此,训练鉴别器`D(Y)`的目标是,从为每个来自真实数据分布的图像最大化`D(Y)`,并为每个不来自真实数组的图像最小化`D(Y)`,而不是来自真实数据分布的每个图像。 因此,G 和 D 扮演相反的游戏:因此称为对抗训练。 请注意,我们以交替的方式训练 G 和 D,其中它们的每个目标都表示为通过梯度下降优化的损失函数。 生成模型学习如何越来越好地进行伪造,而鉴别模型学习如何越来越好地识别伪造。
**生成器**`G(Z)`是生成赝品,而**鉴别器**`D(Y)`可以根据对真实艺术品和复制品的观察来判断复制品的逼真度。 `D(Y)`接受输入 Y(例如图像),并投票决定输入的真实程度。 通常,接近零的值表示*真实*,而接近一的值表示*伪造*。`G(Z)`从随机噪声`Z`中获取输入,并训练自己以欺骗 D 认为`G(Z)`产生的任何东西都是真实的。 因此,训练鉴别器`D(Y)`的目标是,从为每个来自真实数据分布的图像最大化`D(Y)`,并为每个不来自真实数组的图像最小化`D(Y)`,而不是来自真实数据分布的每个图像。 因此,G 和 D 扮演相反的游戏:因此称为对抗训练。 请注意,我们以交替的方式训练 G 和 D,其中它们的每个目标都表示为通过梯度下降优化的损失函数。 生成模型学习如何越来越好地进行伪造,而鉴别模型学习如何越来越好地识别伪造。