深度学习7:生成对抗网络 – Generative Adversarial etworks

深度学习7:生成对抗网络 – Generative Adversarial etworks

生成对抗网络 – GA 是最近2年很热门的一种无监督算法，他能生成出非常逼真的照片，图像甚至视频。我们手机里的照片处理软件中就会使用到它。

人工提取特征——自动提取特征

深度学习最特别最厉害的地方就是能够自己学习特征提取。

机器的超强算力可以解决很多人工无法解决的问题。自动化后，学习能力更强，适应性也更强。

人工判断生成结果的好坏——自动判断和优化

训练集需要大量的人工标注数据，这个过程是成本很高且效率很低的。而人工判断生成结果的好坏也是如此，有成本高和效率低的问题。

而 GA 能自动完成这个过程，且不断的优化，这是一种效率非常高，且成本很低的方式。GA是如何实现自动化的呢？下面我们讲解一下他的原理。

生成对抗网络 GA 的基本原理

大白话版本

知乎上有一个很不错的解释，大家应该都能理解：

假设一个城市治安混乱，很快，这个城市里就会出现无数的小偷。在这些小偷中，有的可能是盗窃高手，有的可能毫无技术可言。假如这个城市开始整饬其治安，突然开展一场打击犯罪的「运动」，警察们开始恢复城市中的巡逻，很快，一批「学艺不精」的小偷就被捉住了。之所以捉住的是那些没有技术含量的小偷，是因为警察们的技术也不行了，在捉住一批低端小偷后，城市的治安水平变得怎样倒还不好说，但很明显，城市里小偷们的平均水平已经大大提高了。

警察们开始继续训练自己的破案技术，开始抓住那些越来越狡猾的小偷。随着这些职业惯犯们的落网，警察们也练就了特别的本事，他们能很快能从一人中发现可疑人员，于是上前盘查，并最终逮捕嫌犯；小偷们的日子也不好过了，因为警察们的水平大大提高，如果还想以前那样表现得鬼鬼祟祟，那么很快就会被警察捉住。

非大白话版本

生成对抗网络（GA）由2个重要的部分构成：

1. 生成器(Generator)：通过机器生成数据（大部分情况下是图像），目的是“骗过”判别器
2. 判别器(Discriminator)：判断这张图像是真实的还是机器生成的，目的是出生成器做的“假数据”

下面详细介绍一下过程：

第一阶段：固定「判别器D」，训练「生成器G」

我们使用一个还 OK 判别器，让一个「生成器G」不断生成“假数据”，然后给这个「判别器D」去判断。

一开始，「生成器G」还很弱，所以很容易被揪出来。

但是随着不断的训练，「生成器G」技能不断提升，最终骗过了「判别器D」。

到了这个时候，「判别器D」基本属于瞎猜的状态，判断是否为假数据的概率为50%。

第二阶段：固定「生成器G」，训练「判别器D」

当通过了第一阶段，继续训练「生成器G」就没有意义了。这个时候我们固定「生成器G」，然后开始训练「判别器D」。

「判别器D」通过不断训练，提高了自己的鉴别能力，最终他可以准确的判断出所有的假图片。

到了这个时候，「生成器G」已经无法骗过「判别器D」。

循环阶段一和阶段二

通过不断的循环，「生成器G」和「判别器D」的能力都越来越强。

最终我们得到了一个效果非常好的「生成器G」，我们就可以用它来生成我们想要的图片了。

下面的实际应用部分会展示很多“惊艳”的案例。

如果对 GA 的详细技术原理感兴趣，可以看看下面2篇文章：

《生成性对抗网络（GA）初学者指南 – 附代码》

《长文解释生成对抗网络GA的详细原理（20分钟阅读）》

GA的优缺点

个优势

1. 能更好建模数据分布（图像更锐利、清晰）
2. 理论上，GAs 能训练任何一种生成器网络。其他的框架需要生成器网络有一些特定的函数形式，比如输出层是高斯的。
3. 无需利用马尔科夫链反复采样，无需在学习过程中进行推断，没有复杂的变分下界，避开近似计算棘手的概率的难题。

2个缺陷

1. 难训练，不稳定。生成器和判别器之间需要很好的同步，但是在实际训练中很容易D收敛，G发散。D/G 的训练需要精心的设计。
2. 模式缺失（Mode Collapse）问题。GAs的学习过程可能出现模式缺失，生成器开始退化，总是生成同样的样本点，无法继续学习。

10大典型的GA算法

GA 算法有数百种之多，大家对于 GA 的研究呈指数级的上涨，目前每个月都有数百篇论坛是关于对抗网络的。

下图是每个月关于 GA 的论文发表数量：

如果你对 GAs 算法感兴趣，可以在 「GAs动物园」里查看几乎所有的算法。我们为大家从众多算法中挑选了10个比较有代表性的算法，技术人员可以看看他的论文和代码。

上面内容整理自《Generative Adversarial etworks – The Story So Far》原文中对算法有一些粗略的说明，感兴趣的可以看看。

GA 的1种实际应用

GA 看上去不如「语音识别」「文本挖掘」那么直观。不过他的应用已经进入到我们的生活中了。下面给大家列举一些 GA 的实际应用。

生成图像数据集

人工智能的训练是需要大量的数据集的，如果全部靠人工收集和标注，成本是很高的。GA 可以自动的生成一些数据集，提供低成本的训练数据。

生脸照片

生脸照片是大家很熟悉的应用，但是生成出来的照片用来做什么是需要思考的问题。因为这种人脸照片还处于法律的边缘。

生成照片、漫画人物

GA 不但能生脸，还能生成其他类型的照片，甚至是漫画人物。

图像到图像的转换

简单说就是把一种形式的图像转换成另外一种形式的图像，就好像加滤镜一样神奇。例如：

• 把草稿转换成照片
• 把卫星照片转换为Google地图的图片
• 把照片转换成油画
• 把白天转换成黑夜

文字到图像的转换

特别是他们的 StackGA，从鸟类和花卉等简单对象的文本描述中生成逼真的照片。

语意 – 图像 – 照片 的转换

在2017年标题为“ 高分辨率图像合成和带条件GA的语义操纵 ”的论文中，演示了在语义图像或草图作为输入的情况下使用条件GA生成逼真图像。

自动生成模特

在2017年标题为“ 姿势引导人形象生成 ”的论文中，可以自动生体模特，并且使用新的姿势。

照片到Emojis

GAs 可以通过人脸照片自动生成对应的表情（Emojis）。

照片编辑

使用GA可以生成特定的照片，例如更换头发颜、更改面部表情、甚至是改变性别。

预测不同年龄的长相

给一张人脸照片， GA 就可以帮你预测不同年龄阶段你会长成什么样。

提高照片分辨率，让照片更清晰

给GA一张照片，他就能生成一张分辨率更高的照片，使得这个照片更加清晰。

照片修复

假如照片中有一个区域出现了问题（例如被涂上颜或者被抹去），GA可以修复这个区域，还原成原始的状态。

自动生成D模型

给出多个不同角度的2D图像，就可以生成一个D模型。

生成式对抗网络（GA, Generative Adversarial etworks ）

是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中（至少）两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。原始 GA 理论中，并不要求 G 和 D 都是神经网络，只需要是能拟合相应生成和判别的函数即可。但实用中一般均使用深度神经网络作为 G 和 D 。一个优秀的GA应用需要有良好的训练方法，否则可能由于神经网络模型的自由性而导致输出不理想。

生成对抗网络（GA）是一类用于无监督机器学习的人工智能算法，由在零和游戏框架中相互竞争的两个神经网络系统实现。他们是由Ian Goodfellow 等人介绍的。在2014年这种技术可以生成照片看起来至少在表面上真实的人的观察员，有很多的现实特征（虽然在测试中的人可以真正告诉在许多情况下产生）。