GAN21世纪最强大的算法之一

VaibhavNagar

谁，何时，如何以及为什么？

年的一个晚上，伊恩·古德费罗（IanGoodfellow）和几个朋友一起出去庆祝，当时他们要求他协助一个计算机可以自己生成图像的项目。

在思考了一段时间后，他发明了一个想法。如果两个神经网络相互对抗会怎样？他的同伴们都很怀疑，所以他决定回家后试一试。好家伙几个小时，然后测试他的软件。从第一次尝试开始，它就取得了成功。

那天晚上，他构建了现在被称为GAN或“生成对抗网络”的东西。该算法在深度学习领域引起了极大的兴趣，因此Ian成为了AI超级巨星。

介绍

GAN或生成对抗网络是一种基于深度学习的生成建模方法。

生成建模是一项无监督的机器学习任务，需要自动检测和学习传入数据中的模式，以便模型可用于生成与原始数据无法区分的新假副本。

您肯定已经知道GAN的应用，因为它们在年轻人中非常受欢迎。

例子

示例1：生成新数据：GAN能够在开始时没有足够的数据时生成新数据。“这个人不存在”是一个网站，它生成了假的人脸，但你感觉不到它，因为它们是如此逼真。

示例2：从实时绘画生成图像：NVIDIACanvas是一个绘画程序，它使用人工智能从简单的笔触创建风景图像。

示例3：将现实生活中的图像转换为艺术：使用GAN，您可以教计算机将所选照片转换为狗，涂鸦，辛普森，反之亦然！

原理

GAN由卷积神经网络（CNN）组成。它是AI的一个分支，是一种用于图像识别和处理的人工神经网络，专门设计用于处理像素数据。

GAN算法由2个相互竞争的神经网络组成：生成器和鉴别器。GAN的工作是一个游戏，涉及造假者和调查员，他们相互竞争（这是由GAN中的A描述的，它代表对抗，意思是反对）。造假者是我们的制造者，调查者是我们的鉴别者。

鉴别器的工作是识别给定的数据是真实的还是人为的。因此，它只是一个二进制分类器，其输出为1表示真实，0表示假。发电机的工作要困难得多。它使用随机向量，并尝试重新生成看起来像输入（真实）数据的数据。

这是一场零和游戏，这意味着总有赢家，总有输家。生成器制作假副本以欺骗鉴别器。如果鉴别器无法区分生成器进行的真实输入和虚假输入，则生成器获胜，并且不对其算法进行任何更改。然而，由于鉴别器丢失了，它自己对其算法进行了更改。这就是为什么这个GAN被称为无监督机器学习任务的原因。

显然，生成器算法更难训练，因为它需要处理数千个像素，而鉴别器必须只给出输出是真假的最终判断。