2、生成对抗网络（GAN）：原理与构建详解

生成对抗网络（GAN）：原理与构建详解

生成对抗网络简介

在深度学习领域，生成对抗网络（GAN）是当下的热门研究话题。它在架构设计上实现了对深度神经网络的创新，通过让两个或多个神经网络在对抗训练中相互竞争，从而生成模型。GAN 具有诸多优势，例如能在有限数据下进行泛化，从小数据集构思新场景，使模拟数据更逼真。在很多深度学习技术需要大量数据的背景下，GAN 能大幅减少完成任务所需的数据量，极端情况下，这类架构仅需其他深度学习问题所需数据的 10%。

生成模型与判别模型

机器学习和深度学习可以用生成建模和判别建模这两个术语来描述。
- 判别建模 ：可以类比为观察画作并根据观察确定绘画风格。在机器学习中的步骤如下：
1. 创建一个使用卷积层或其他学习特征的机器学习模型，以理解数据中的划分。
2. 收集一个包含训练集（数据的 60 - 90%）和验证数据集（数据的 10 - 40%）的数据集。
3. 使用数据训练机器学习模型。
4. 使用该模型预测哪个数据点属于特定类别，例如哪幅画属于哪位作者。
- 生成建模 ：类似于学习并重现各种画家风格的画作，并从所学风格中确定绘画风格。实现这种建模的步骤如下：
1. 创建一个学习如何重现不同绘画风格的机器学习模型。
2. 收集训练和验证数据集。
3. 使用数据训练机器学习模型。
4. 使用该模型进行预测（推理）以生成画家风格的示例，并使用相似性指标验证模型重现绘画风格的能力。

判别模型学习分布中类之间的边界条件，其能力依赖于更多的数据，且不适用于无监督