生成式对抗网络（GAN）由谷歌于2014年提出，是当前非监督深度学习的热门技术。该模型包含生成模型G和判别模型D，通过博弈学习生成与训练数据类似的新样本。GAN已广泛应用于数字和人脸图像生成，具有很高的研究价值。本章介绍了GAN的原理、应用、实现和改进，包括AC-GAN在MNIST数据集上的实现，以及WGAN和LSGAN等改进方法。
第13章 生成式对抗网络
生成式对抗网络（generative adversarial network，GAN）是由谷歌公司在2014年提出的一个网络模型，主要灵感来自于二人博弈中的零和博弈，也是目前最火热的非监督深度学习的代表。“GAN之父”Ian J. Goodfellow也被公认为人工智能的顶级专家。
Yann Lecun在Quora上答题时曾说，他最激动的深度学习进展是生成式对抗网络。
13.1 生成式对抗网络的原理
生成式对抗网络包含一个生成模型（generative model，G）和一个判别模型（discriminative model，D）。本节内容参考了Ian J. Goodfellow、Jean Pouget-Abadie、Mehdi Mirza、Bing Xu、David Warde-Farley、Sherjil Ozair、Aaron Courville、Yoshua Bengio的论文《Generative Adversarial Networks》[1]。
生成式对抗网络的网络结构如图13-1所示。
图13-1
生成式对抗网络主要解决的问题是如何从训练样本中学习出新样本。生成模型就是负责训练出样本的分布，如果训
订阅专栏 解锁全文
扫一扫
2850
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
