生成對抗網(wǎng)絡(luò)（GAN）在機器學(xué)習(xí)領(lǐng)域展示了創(chuàng)造逼真的圖像和視頻的巨大能力和潛力。除了其生成能力外，對抗學(xué)習(xí)的概念是一個框架，如果進(jìn)一步探索，它可能會導(dǎo)致機器學(xué)習(xí)的巨大突破。

使用易于理解的解釋和圖表，本文將本能地解釋GAN的工作原理，培訓(xùn)過程中遇到的挑戰(zhàn)以及對抗性學(xué)習(xí)的力量。

GAN是由兩個模型組成的系統(tǒng)：生成器和鑒別器。

鑒別器只是一個分類器，它確定給定圖像是來自數(shù)據(jù)集的真實圖像還是來自生成器的人工生成圖像。該二進(jìn)制分類器將采用卷積神經(jīng)網(wǎng)絡(luò)的形式。

生成器的任務(wù)是獲取隨機輸入值（噪聲）并使用反卷積神經(jīng)網(wǎng)絡(luò)從中創(chuàng)建圖像。將這個概念想像成為隨機數(shù)生成器設(shè)置種子-相同的輸入噪聲將產(chǎn)生相同的輸出。生成器使用隨機噪聲作為種子來生成圖像。

兩模型系統(tǒng)的目的是使生成器欺騙鑒別器，而且使鑒別器以其可能的最高準(zhǔn)確度對生成器的圖像進(jìn)行分類。兩個有價值的對手（生成對抗網(wǎng)絡(luò)）之間的這場持續(xù)戰(zhàn)役意味著，兩個模型通過擊敗對方而變得更好。生成器使用鑒別器獲取有關(guān)其圖像的說服力的反饋，并且鑒別器從生成器獲取更多數(shù)據(jù)以進(jìn)行訓(xùn)練。

反卷積神經(jīng)網(wǎng)絡(luò)（DNN）是GAN的核心。它是負(fù)責(zé)生成圖像的算法。顧名思義，卷積神經(jīng)網(wǎng)絡(luò)可以被認(rèn)為是“向后運行CNN”，但其機制要復(fù)雜得多。DNN也稱為deconv或轉(zhuǎn)置卷積神經(jīng)網(wǎng)絡(luò)，其使用的層類似于CNN中的層，但向后的層是向上采樣（而不是向下采樣），從而使圖像更大。

這比CNN困難。通過壓縮或概括其信息來縮小圖像比在不使圖像模糊且具有相同的細(xì)節(jié)量的情況下放大圖像要容易得多。通過轉(zhuǎn)置卷積（反卷積）可以解決此問題。

從這個意義上講，如果DNN是GAN的心臟，那么轉(zhuǎn)置的卷積就是動脈。首先，了解反卷積需要了解卷積。例如，考慮以下卷積：

以下卷積按如下步驟執(zhí)行，假定步幅為1。卷積將圖像概括為較低維之一。

反卷積層的目標(biāo)與卷積層的目標(biāo)相反：采取縮小的圖像和可訓(xùn)練的核，并預(yù)測“原始圖像”。在這種情況下，隨機噪聲將通過一系列反卷積進(jìn)行轉(zhuǎn)換，以產(chǎn)生更清晰的圖像。

這些轉(zhuǎn)置的卷積是根據(jù)鑒別結(jié)果進(jìn)行訓(xùn)練的。如果鑒別器性能較差，則需要生成器的當(dāng)前權(quán)重并適當(dāng)?shù)仄垓_鑒別器。但是，如果鑒別器性能良好，則需要大幅改變發(fā)電機的當(dāng)前權(quán)重，以降低鑒別器的性能。換句話說，鑒別器是發(fā)生器的損失函數(shù)。

盡管這種想法具有革命性，但眾所周知，GAN很難訓(xùn)練。GAN中的一個常見故障是，鑒別器使生成器過載，以100％的確定性將生成的圖像識別為偽造的圖像。由于鑒別器充當(dāng)了去卷積層權(quán)重調(diào)整的損失函數(shù)，因此絕對確定性不會使生成器下降。

訓(xùn)練GAN的另一個常見失敗稱為模式崩潰，其中生成器發(fā)現(xiàn)并利用了鑒別器中的弱點。當(dāng)GAN生成相似的圖像時，無論隨機輸入的變化如何，都可以在GAN中識別出模式崩潰。這意味著生成器僅生成它已獲悉的圖像，幾乎總是會欺騙鑒別器。這意味著生成器沒有改進(jìn)，因為鑒別器給出的結(jié)果很差，這意味著生成器正在產(chǎn)生理想的結(jié)果。有時可以通過以某種方式“加強”鑒別器（例如，通過調(diào)整其訓(xùn)練速率或重新配置其層）來糾正模式崩潰。

GAN是基于這樣的思想，即兩個平等匹配的個人之間的競爭既可以改善雙方的競爭，又需要對它們進(jìn)行健康且嚴(yán)格的監(jiān)管，來讓一個人不會剝削另一個人。生成對抗網(wǎng)絡(luò)和對抗學(xué)習(xí)作為一個領(lǐng)域仍然很年輕，并顯示出巨大的潛力。它們具有塑造數(shù)字世界的巨大潛力。