火热的生成对抗网络（GAN），你究竟好在哪里

最新推荐文章于 2024-10-09 06:30:00 发布

csdn_csdn__AI

最新推荐文章于 2024-10-09 06:30:00 发布

阅读量4k

点赞数

CC 4.0 BY-SA版权

文章标签： GAN Ian-Goodfellow

本文链接：https://blog.youkuaiyun.com/heyc861221/article/details/80128351

生成对抗网络（GAN）自2014年提出以来成为研究热点，其核心在于训练生成器和鉴别器以达到纳什均衡。相较于其他生成模型，GAN的优势包括：能产生更逼真的样本，模型灵活，训练时不需马尔科夫链或隐变量推断，且运行时间较短。但GAN也存在训练不稳定、难以处理离散数据等问题。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

【在线直播】《TensorFlow实战》作者、PPmoney大数据算法总监黄文坚老师即将开课：《使用TensorFlow创建可自动玩游戏的DQN模型》，本次课程集中讲解Deep-Q Network及其TensorFlow的实现。点击报名

自2014年Ian Goodfellow提出生成对抗网络（GAN）的概念后，生成对抗网络变成为了学术界的一个火热的研究热点，Yann LeCun更是称之为”过去十年间机器学习领域最让人激动的点子”。生成对抗网络的简单介绍如下，训练一个生成器（Generator，简称G），从随机噪声或者潜在变量（Latent Variable）中生成逼真的的样本，同时训练一个鉴别器（Discriminator，简称D）来鉴别真实数据和生成数据，两者同时训练，直到达到一个纳什均衡，生成器生成的数据与真实样本无差别，鉴别器也无法正确的区分生成数据和真实数据。GAN的结构如图1所示。

图片描述

图1 生成对抗网络的基本架构

近两年来学术界相继提出了条件生成对抗网络（CGAN），信息生成对抗网络（InfoGAN）以及深度卷积生成对抗网络（DCGAN）等众多GAN的变种，图2来自去年一篇论文：Image-to-Image Translation with Conditional Adversarial Nets，我们可以看到GAN已经