什么是生成对抗网络（GANs） – AI百科知识

生成对抗网络（GANs）是Ian Goodfellow等人2014年提出的一种深度学习模型，靠两个神经网络——生成器（Generator）和判别器（Discriminator）——互相对着练，来生成和真实数据分布很接近的假数据。生成器负责造假数据，判别器负责判断手里的数据究竟来自真实数据集还是生成器吐出来的。俩网络在训练中你追我赶：生成器一路改进，想"骗"过判别器；判别器也一路改进，想识破假数据。它们的目标正好对着干——生成器想拿"以假乱真"的假数据去蒙判别器，判别器则拼命提高辨别真假的本事。你可以把它当成一场零和博弈（zero-sum game）：生成器想把判别器的损失拉到最大，判别器则想把自己的损失压到最小。

什么是生成对抗网络

生成对抗网络（GANs）是一种深度学习模型，由生成器和判别器两摊组成，靠互相博弈来学会生成数据。生成器干的活，是从一堆随机噪声里变出数据来；判别器干的活，是判断摆在面前的数据真不真。训练时这俩会打一场"博弈"：生成器使劲造更逼真的假数据去骗判别器，判别器则使劲把自己的眼力练好、把假数据揪出来。就这么对抗着练，生成器和判别器在不停的优化里达到一种动态平衡，最后产出质量相当高的数据。

生成对抗网络的工作原理

GANs是让两个神经网络——生成器（Generator）和判别器（Discriminator）——互相对抗，学着去逼近数据分布。生成器的目标，是把假数据造得越接近真实数据越好；判别器的目标，是分清手头的数据是真的还是生成器造的。

生成器：喂进去随机噪声，吐出来生成的数据，图像、音频、文本都能来。它学着真实数据的分布，好把假数据造得逼真。判别器：喂进去真实数据或者生成器造的假数据，吐出来一个标量值（也就是个概率），表示这条数据是真数据的把握有多大。判别器的差事，就是尽可能准地判出手里数据的真假。

GANs的训练是一场动态博弈，里头有初始化权重、生成器和判别器交替训练、优化损失函数这些步骤。生成器想骗过判别器，判别器则一个劲儿提升自己的辨别力。GANs的数学模型对应着两个损失函数一起优化的问题——生成器的损失函数和判别器的损失函数，正好各自对上了它们的训练目标。

生成对抗网络的主要应用

GANs的用武之地特别宽，尤其在图像生成、风格转换、图像修复这些任务上，跑出了突破性的进展。

• 图像生成：GANs能造出逼真的图像，人脸、风景都不在话下。比如NVIDIA提出的StyleGAN，在生成以假乱真的人脸这块尤其能打。
• 图像到图像的转换：GANs能拿来做图像风格转换，比如把黑白图变彩色图，或者把草图变成真实图像。CycleGAN就能做无监督的图像到图像转换。
• 自然语言处理：也有人试着把GANs挪到自然语言处理上，比如文本生成、文本风格转换这类任务。
• 医学图像处理：GANs能合成医学图像，用来做病理学研究、辅助医学影像诊断等。
• 语音合成：GANs还能生成高质量的语音样本，甚至去模拟某个特定人的声音。

生成对抗网络面临的挑战

• 训练不稳定性：GANs训练时老被稳定性问题缠上。这种不稳，往往表现为生成器和判别器之间那点动态平衡很难守住，一路训练下来可能出现梯度消失或者爆炸。
• 模式崩溃（Mode Collapse）：模式崩溃指的是生成器开始翻来覆去只造那么有限的几种样本，盖不住整个数据分布。结果就是生成的数据多样性不够，GANs能施展的范围也就被卡住了。
• 评估标准缺乏：眼下还没有一套统一的评价指标，能准确量化GAN生成样本到底好不好。Inception Score（IS）和Frechet Inception Distance（FID）这些指标虽然用得很广，却没法把生成样本的所有特性都照顾到。
• 数据偏差与公平性：GANs的产出很看训练数据，要是数据本身带着偏见、或者并不均衡，生成出来的东西就可能把这些偏差照搬甚至放大。所以保证训练数据的多样性和代表性，特别要紧。
• 环境影响：大规模训练GAN模型会给环境添负担，能耗和碳排放这两项尤其明显。

生成对抗网络的发展前景

GANs在很多领域确实拿了不少成果，可眼前的坎还不少，比如训练不够稳、评价指标也不统一。研究者们会继续去找新的算法和模型结构，把GANs训练的稳定性往上提。现在缺一把能统一量化GAN样本质量的尺子，往后大概率会冒出新的一些评价路子，特别是在跨模态生成（比如文本到图像）和高维数据生成这些活儿上。总的来看，GANs作为一门强悍的生成模型，已经在不少领域亮出了自己独一份的价值，技术还在往前走，它能施展的舞台依旧很宽。往后随着GANs本身继续演进，我们有理由期待它在更多领域挑起担子，也把AI技术再往前推一把。