什么是生成对抗网络 (GAN)

生成模型(Generative Model) vs 判别模型(Discriminant Model)

在讨论生成对抗网络之前，我们需要先明确两个概念： 生成模型和判别模型。

所谓生成网络，指构建生成模型的神经网络；同理判别网络则是构建判别模型的神经网络。

机器学习/深度学习模型所的一个主要任务就是：根据事物的属性（X）预测事物的标记（Y）。生成模型和判别模型，都能完成这个任务，但具体方法不同。

生成式模型会求取X和不同的Y之间的联合概率：P(Y1,X)，P(Y2,X)，P(Y2,X)，…, P(Yn,X)，然后选取其中与X联合概率最大的那个Yi，将其作为预测结果。

判别式模型来则会求以X为条件的Y的条件概率：P(Y|X)，针对特定X直接得出P(Y|X)的结果，如果这个值大于某个阈值，则可以直接将其作为预测结果。

生成对抗网络（Generative Adversarial Networks，GAN）

那么，什么是生成对抗网络呢？

简单而言，生成对抗网络 是一种无监督学习方法 ， 该方法由Goodfellow等人在2014年提出。

这 个方法 通过两个网络——一个是生成网络，另一个是判别网络——的相互制约来实现训练过程。

生成对抗网络中的生成网络G和判别网络D分别好像是假币团伙和警察——G努力使假币和真币更接近，而D则努力把假币从真币中区分出来。

通过G和D的对抗，最终使得两者的模型准确度都得到提升。

生成对抗网络结构

下图是一个以手写数字生成为目标的原始的GAN网络结构，可以它由Generator生成器和Discriminator判别器组成。

生成器用于从噪音中生成一幅手写数字的图片，而判别器则努力将训练集图片和生成器生成的假图片区分开来。

可以证明，当网络的能力足够的时候，生成器最终会生成和训练集特征相同的图像。具体的训练步骤如下(来自原论文中伪代码)：

 for num_of_training_iterations:
 for k_steps: #k在这里是超参数，代表每个迭代对判别器做几次优化
 从训练集中随机选取m幅图像
 随机选取（生成）m个噪声图片
 更新判别器参数（普通神经网络训练过程，例如交叉熵误差函数和随机梯度下降）
 
 随机选取m个噪声图片
 更新生成器参数

其实在GAN的论文中主要是提出了利用生成器和判别器相互制约的思路，而非详细的模型结构。上面的训练方法只是一种示例方法，生成器和判别器也不必是申请网络。

生成对抗网络的优势和劣势

GAN的优势和劣势总结如下：

CONs：

1. 网络自由度太高，训练难度大
2. 两个模型是分开更新的，所以带来了两个模型之间的同步问题。如果一个模型训练的过快，会影响另一个模型的训练。

PROs：

1. 只使用反向传播即可完成训练，不使用何马尔可夫链来训练。
2. GAN可以和大部分现有的生成网络算法相结合使用，提高性能。

从实际应用中，模型难以训练是困扰很多研究人员最大的问题。不过在提出GAN的论文发布（2014年）以来，大量GAN改进方法被提出，较好的解决了GAN中存在的问题，使得图像生成任务达到了可以商业应用的成熟度。

生成对抗网络主要应用举例

前面说了生成对抗网络。经过几年的研究已经比较成熟，可以进行商业应用。下面就列举了几个比较有名的开源应用案例：

1. zi2zi：一个变换中文字体的应用，基于pix2pix

2. iGAN：我管他叫神笔马良，一个adobe和伯克利联合发布的图像增强网络，能从简笔画生成一个真实度很高的图像。

2. domain-transfer-network: 感觉和CNN中的风格迁移类似，实现的功能类似脸萌，可以从真实头像生成卡通头像

2. neural-enhance: 将低分辨率图像处理成高分辨率图像，以后各种游戏炒冷饭，电影重制版的成本可以大大降低了。。。。

2. deepfake: 前一阵引起轩然大波的现象级应用，可以给视频换脸，应用场景很多

类似的应用还有很多，而且也达到了不错的效果。个人感觉GAN真的是一个很有钱途的领域。