什么是GAN，生成式对抗网络（Generative Adversarial Network） – AI百科知识

生成式对抗网络（GAN，英文全称 Generative Adversarial Network）是一种深度学习模型，凭着生成高质量、逼真数据的能力，这几年火得不行。图像合成、风格转移、数据增强……GAN 已经出现在一大堆应用里。下面我们就来讲讲 GAN 是什么、它是怎么工作的、跟其他神经网络模型相比强在哪，以及它的主要应用和用例。

GAN是什么

生成式对抗网络（GAN）是一类机器学习模型，由两个神经网络组成：一个是生成器（Generator），一个是判别器（Discriminator），两者在一场零和博弈里互相较劲。生成器负责造合成数据样本，判别器的任务是把真样本和假样本分辨出来。生成器的目标是把“骗过判别器的逼真数据”练得更拿手，判别器的目标则是把“识别假数据”练得更犀利。

GAN是怎么工作的

生成式对抗网络（GAN）主要由两个部分组成：

1. 生成器（Generator）。生成器是一个神经网络，把随机噪声作为输入，输出合成数据样本（图像、文本等），目标是造出看起来和真实数据分布一模一样的数据。
2. 判别器（Discriminator）。判别器是另一个神经网络，输入既有真实数据样本，也有生成器造的合成样本。它要做的就是给样本分类，判断到底是真的还是假的。

GAN 的训练过程大致分这几步：

1. 从数据集中抽一批真实数据
2. 用生成器合成一批数据
3. 在真实和合成数据上训练判别器，更新其权重，让它更会区分真假样本
4. 再采一批新的随机噪声，用生成器造出一批新的合成数据
5. 通过反向传播判别器的梯度来训练生成器，更新生成器的权重，让它造出更逼真的样本，把判别器骗得更好

这个过程一遍遍地重复，直到生成器能产出逼真的数据样本、判别器再也分不清真假为止。

GAN比其他神经网络强在哪

和传统神经网络模型相比，GAN 在各种任务上都有几把刷子：

1. 高质量的数据生成。GAN 能生成高质量、逼真的数据样本，通常跟真实数据难分彼此。真实数据稀少或者获取成本高的应用，特别适合用它。
2. 无监督学习。GAN 不需要标注数据就能学到数据里的模式和特征，标注数据有限、人工标注忙不过来的任务，用它正合适。
3. 灵活性。GAN 能和其他神经网络架构、技术搭着用，比如卷积神经网络（CNN）和递归神经网络（RNN），产出图像、文本、音频等各种类型的数据。
4. 数据增强。GAN 可以为监督学习任务生成额外的训练数据，帮着克服过拟合相关的问题，在小数据集上训练的模型性能也能提上去。

GAN都用在哪

GAN 眼下已经在不同领域的各种应用里落了地，包括但不限于这些场景：

• 图像合成。GAN 被用来生成高质量的合成图像：逼真的人脸、艺术品，甚至惟妙惟肖的产品场景。
• 风格转移。GAN 能把一张图的风格挪到另一张图上，做出艺术图像和新颖的视觉效果。
• 数据增强。GAN 能为监督学习任务生成额外的训练数据，让小数据集上训练的模型表现更好。
• 文本到图像的生成。GAN 能根据文本描述生成图像，无论是产出新的视觉内容，还是用在广告、娱乐和设计里，都很有用。
• 超分辨率和图像内绘。GAN 可以提高低质量图像的分辨率，或者填补图像里缺失的区域，把整体质量和实用性拉上来，做图片无损放大、图片修复时特别顶用。
• 药物发现。GAN 已经进入药物发现领域，用来产生新的化学结构、锁定潜在的候选药物。
• 异常情况检测。GAN 能识别数据集中的异常数据点，抓欺诈、网络入侵或其他反常行为时很得力。

生成式对抗网络在深度学习领域打开了新的可能性，应用领域也在不断铺开。能生成高质量逼真的数据样本，还能无监督学习，GAN 在很多传统神经网络模型干不了的活儿面前，都是一件有力武器。