生成對(duì)抗網(wǎng)絡(luò)（GAN）在機(jī)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(duì)抗學(xué)習(xí)的概念是一個(gè)框架，如果進(jìn)一步探索，它可能會(huì)導(dǎo)致機(jī)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(guò)程中遇到的挑戰(zhàn)以及對(duì)抗性學(xué)習(xí)的力量。

GAN是由兩個(gè)模型組成的系統(tǒng)：生成器和鑒別器。

鑒別器只是一個(gè)分類(lèi)器，它確定給定圖像是來(lái)自數(shù)據(jù)集的真實(shí)圖像還是來(lái)自生成器的人工生成圖像。該二進(jìn)制分類(lèi)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(jī)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(gè)概念想像成為隨機(jī)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(jī)噪聲作為種子來(lái)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(duì)生成器的圖像進(jìn)行分類(lèi)。兩個(gè)有價(jià)值的對(duì)手（生成對(duì)抗網(wǎng)絡(luò)）之間的這場(chǎng)持續(xù)戰(zhàn)役意味著，兩個(gè)模型通過(guò)擊敗對(duì)方而變得更好。生成器使用鑒別器獲取有關(guān)其圖像的說(shuō)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(yùn)行CNN”，但其機(jī)制要復(fù)雜得多。DNN也稱(chēng)為deconv或轉(zhuǎn)置卷積神經(jīng)網(wǎng)絡(luò)，其使用的層類(lèi)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(guò)壓縮或概括其信息來(lái)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(guò)轉(zhuǎn)置卷積（反卷積）可以解決此問(wèn)題。

從這個(gè)意義上講，如果DNN是GAN的心臟，那么轉(zhuǎn)置的卷積就是動(dòng)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(cè)“原始圖像”。在這種情況下，隨機(jī)噪聲將通過(guò)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(jī)的當(dāng)前權(quán)重，以降低鑒別器的性能。換句話(huà)說(shuō)，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(gè)常見(jiàn)故障是，鑒別器使生成器過(guò)載，以100％的確定性將生成的圖像識(shí)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(duì)確定性不會(huì)使生成器下降。

訓(xùn)練GAN的另一個(gè)常見(jiàn)失敗稱(chēng)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(diǎn)。當(dāng)GAN生成相似的圖像時(shí)，無(wú)論隨機(jī)輸入的變化如何，都可以在GAN中識(shí)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(huì)欺騙鑒別器。這意味著生成器沒(méi)有改進(jìn)，因?yàn)殍b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(shí)可以通過(guò)以某種方式“加強(qiáng)”鑒別器（例如，通過(guò)調(diào)整其訓(xùn)練速率或重新配置其層）來(lái)糾正模式崩潰。

GAN是基于這樣的思想，即兩個(gè)平等匹配的個(gè)人之間的競(jìng)爭(zhēng)既可以改善雙方的競(jìng)爭(zhēng)，又需要對(duì)它們進(jìn)行健康且嚴(yán)格的監(jiān)管，來(lái)讓一個(gè)人不會(huì)剝削另一個(gè)人。生成對(duì)抗網(wǎng)絡(luò)和對(duì)抗學(xué)習(xí)作為一個(gè)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。