为什么需要生成式对抗网络？

客官°小女子只卖身不卖艺 2022-12-17 07:17 233阅读 0赞

> 全文共2028字，预计学习时长6分钟

![df8ec35af205b72a51e359124ef7d4ec.png][]

图源：unsplash

向神经网络展示大量的人和车的图片，并告知其哪一张是车，哪一张是人，最终，这个神经网络就可以学会区分人和车。当新输入一张车或人的图片时，它会告诉你这是一个人还是一辆汽车。

如图1.1所示：基本上，这个神经网络所做的就是构建一个有意义的结构。如果让这个神经网络生成一张新的未曾出现过的人或车的照片，它无法做到，如图1.2所示。

![7db109f933ca6add6f786d36956ef53b.png][]

图1：卷积神经网络

通常需要生成呈相同输入分布的新样本，为此需要一个生成模型。

**生成式网络**

![5fcdbf7e3f1fc19f7c70a58f76dbe811.png][]

图2：生成网络的输入数据

如果将这三种类型的数据（图2）输入到生成网络，该网络的学习模型将如图3所示。当试图通过这个训练好的生成式神经网络生成样本时，它将生成图4，因为图4的模型与以上所有三种输入分布模型的平均值相似。

但通过观察，可以清晰地判断出这个样本不属于任何一种已输入的数据分布类型。该如何解决这个问题呢？答案是随机性。也就是说，生成模型通过增加随机性来产生相似度极高的结果。

![f72e5d67314b8a7e4b4529b5a5fd1b0c.png][]

图3：学习模型；图4：生成式网络的输出结果

**对抗性网络**

假设要训练一个神经网络来正确识别0到9之间的数字，我们先要提供大量数字的图像。训练时，当网络预测正确时将会得到奖励，预测错误时则会给出反馈，这样网络就会相应地调整其权值，并且对所有数字的所有图像重复这个过程。

但作为人类的我们在历经这个过程时其实并非如此。如果你是一名教师，正在教一个孩子如何识别0-9。对于数字0，2，3，4，5，6，8，9，他有70%的把握回答出正确答案。但当他得到1和7这两个数字时，他心中只有50%的把握（他可能无法分辨）。因为对于他来讲，数字1和7看起来十分相似。

你注意到了这一点，于是开始重点关注1和7，这是你学生面临的主要问题。但如果你一直问同样的问题，他最终会失去动力并放弃，这种平衡在人类身上是很常见的，但神经网络不是这样，神经网络没有感觉。我们可以就这些错误对网络进行一次又一次的训练，直到出错率降到与分辨其他数字的出错率相同为止。

现实中，有些人可能会遇到这样的情况：老师不停问他们同样的问题，他们不断失败，甚至会觉得是老师想让他们失败。这实际上是一种反向行为。

那么如何在神经网络中重现类似的场景？实际上，我们可以建立一个真正的对抗性网络。如果有程序真正使神经网络尽可能多地犯错，产生上述那种反应，并且它发现了任何弱点，那么这道程序就会针对性地迫使学习者学会根除这种弱点。

![dadcd08774b0e3f64dc8a6d880f56229.png][]

**生成式对抗网络**

生成式对抗网络由两个模块组成：一个是生成模型，另一个是判别模型。在训练生成式对抗网络时，这两个网络实际上是互相博弈的关系，都在竞争唯一的参数——判别模型的错误率。生成模型调整其权重以求产生更高的误差，判别模型通过学习试图降低误差。

![611d4ccef1bc157f177b6d913f992f8c.png][]

生成式对抗网络的训练过程

**示例**

有一个伪造者试图造一幅假画并且将其高价出售。与此同时，有一个检查员负责检查并判断这些画的真伪。

起初，伪造者只是在纸上随意画几条线，检查员此时无法确定真假。因为一开始判别模型和生成模型都还没有进行任何学习。

后来，造假画者学习了更多不同种类的画法，制作出一幅看起来像原画的画，检查员也学习精细的图案来区分赝品和原画。当检查伪造者新生成的画时，检查员就会识别出画是赝品然后拒绝它，这个过程会不断重复。

最终，出现了这样一种情况：伪造者制作出一张看起来很贴近原画的图片，而检查员无法确定其真伪。这在神经网络中表现为，生成模型生成一张看起来和原画一模一样的图，而判别模型的输出为0.5，表示其无法区分图片的真假。这时可以把判别模型从神经网络中移除，得到了一个经过充分训练的生成模型，可以生成看起来非常真实的画。

除此之外，如果将大量的汽车图像导入生成式对抗网络中，以生成一个新的汽车样本，那么有一点是确定的，那就是生成式对抗网络此时已了解什么是汽车。

![324cc24aacc94603ef871afd8531194f.png][]

图源：unsplash

因为网络将在潜在空间中构造一个结构，这个结构又称为特征向量，如果观察这些向量，会发现其意义是完整的。这个潜在空间是输入数据分布的映射。每一个维度都与汽车的某项特征相对应。如果潜在空间中的一个轴表示的是汽车的尺寸，那么另一个轴就表示汽车的颜色。

所以，如果移动输入分布中的一个数据点，那么在潜在空间中也会有一个非常平滑的过渡。这样，一个类似于输入数据分布的新样本就产生了。

![2b0270e8585317a60afe290f3eb24efb.png][]

**一起分享AI学习与发展的干货**

**欢迎关注全平台AI垂类自媒体 “读芯术”**

![format_png][]

（添加小编微信：dxsxbb，加入读者圈，一起讨论最新鲜的人工智能科技哦～）

[df8ec35af205b72a51e359124ef7d4ec.png]: /images/20221123/2e1be2678cf74adb951abcad8dfaeaee.png
[7db109f933ca6add6f786d36956ef53b.png]: /images/20221123/fa1d0f3b8d5146bf9fbd32cd83ef7ca7.png
[5fcdbf7e3f1fc19f7c70a58f76dbe811.png]: /images/20221123/476aa22758c047d6b1a69cfe64954d3c.png
[f72e5d67314b8a7e4b4529b5a5fd1b0c.png]: /images/20221123/2d864b1ccaf544be8e081bf5300f1b2b.png
[dadcd08774b0e3f64dc8a6d880f56229.png]: /images/20221123/14a24babf10f4c6492b1a1baff390194.png
[611d4ccef1bc157f177b6d913f992f8c.png]: /images/20221123/e04a7e1f6a4f42dba407f28a493839c0.png
[324cc24aacc94603ef871afd8531194f.png]: /images/20221123/3bf9593cf5264805972d286f875e8049.png
[2b0270e8585317a60afe290f3eb24efb.png]: /images/20221123/3f2cabffe808486696085147ac2822bf.png
[format_png]: /images/20221123/f27cde8792dc48afab585c62ff37b46d.png