生成對抗網路
人工智慧
讓機器具有如同人類的思辨能力
機器學習
能夠達成人工智慧的方法，透過與人類相似的學習方法，訓練機器進行資料分類、處理與預測
深度學習
代表實現機器學習的技術，深層、多層類神經網路。
GAN由兩個網路構成
鑑別網路（Discriminating Network）
生成網路（Generative Network）
透過兩者相互對抗產生結果是其深度學習的運作原理。
比喻
GAN是一場鑑定師與仿畫家的比賽，仿畫家畫出假畫讓鑑定師評斷有多接近真品，根據評斷結果再繼續畫出比原本更好的作品，鑑定師也會透過不斷練習提升鑑定水準，最後結果就是一幅幾可亂真的機器畫。
卷積神經網路（Convoulutional Neural Network）
適合處理空間資料
循環神經網路（Ruccurent
Neural Network）
擅長處理時間序列與語意結構判斷
對抗訓練是有史以來最酷的技術
Facebook的AI研究院長楊立昆（Yann LeCun）
對抗訓練是有史以來最酷的技術（Adversarial training is the
coolest thing since sliced bread），對於GAN他也說：「它為創建無監督學習模型提供了強有力的算法框架，有望幫助我們為AI加入常識（common sense）
GAN的應用
GAN應用在生成資料方面，如圖像與影音的生成、合成、辨識、修復等等，
進階則是輸入文本描述便能生成與形容相符的圖像，或者透過語言模型實現機器翻譯等。
Nvidia公司的GAN則是將白天的街景轉為夜晚，作為自動駕駛車輛的訓練樣本，解決夜晚圖像資料不足的問題。
展望
GAN在未來依舊可能真正實現「完全不靠人類就能自主學習的AI」
生成對抗網路II
1.
非監督式學習的一種方法
2.
讓兩個神經網路相互博弈的方式進行學習。
3.
由一個生成網絡與一個判別網絡組成。
4.
從潛在空間（latent space）中隨機取樣作為輸入，其輸出結果需要盡量模仿訓練集中的真實樣本。
5.
判別網絡的輸入則為真實樣本或生成網絡的輸出，其目的是將生成網絡的輸出從真實樣本中盡可能分辨出來。
6.
而生成網絡則要盡可能地欺騙判別網絡。
7.
兩個網絡相互對抗、不斷調整參數，最終目的是使判別網絡無法判斷生成網絡的輸出結果是否真實。
資料來源：
2.
https://zh.wikipedia.org/zh-tw/%E7%94%9F%E6%88%90%E5%AF%B9%E6%8A%97%E7%BD%91%E7%BB%9C
沒有留言:
張貼留言