2、生成对抗网络（GAN）全面解析

生成对抗网络（GAN）全面解析

1. 生成对抗网络简介

生成对抗网络（GANs）在深度学习领域是当下热门的研究话题。这种架构风格广受欢迎，因其能够生成通常难以学习的生成模型。使用该架构有诸多优势，比如它可以在有限数据的情况下进行泛化，从小型数据集中构思新场景，还能让模拟数据看起来更真实。在深度学习中，许多技术如今都需要大量数据，而使用这种新架构，有可能大幅减少完成任务所需的数据量，在极端情况下，这类架构只需其他深度学习问题所需数据量的 10%。

2. 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 ：可类比为观察画作并根据观察确定绘画风格。在机器学习中，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 ：即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。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）以生成画家作品的示例，并使用相似度指标验证模型重现绘画风格的能力。

判别模型会学习分布中类之间的边界条件，其能力依赖于更多数据，且不适用于无监督方式或无标签数据