介绍

生成对抗网络（简称GAN）是最近开发的最受欢迎的机器学习算法之一。

https://embed.notionlytics.com/wt/ZXlKd1lXZGxTV1FpT2lKaFpXRTFPRE5pTXpFM05UazBPRFF6WVRFeFltWTRZalkzTnpjME1qaGlNQ0lzSW5kdmNtdHpjR0ZqWlZSeVlXTnJaWEpKWkNJNklsZHNTR2hsVEZSUFdXeHpaVmRhUW1ZNU1YQmxJbjA9

对于人工智能（AI）领域的新手，我们可以简单地将机器学习（ML）描述为AI的子领域，它使用数据来“教”机器/程序如何执行新任务。 一个简单的例子就是使用一个人的脸部图像作为算法的输入，以便程序学会在任何给定的图片中识别同一个人（它可能也需要负样本）。 为此，我们可以将机器学习描述为应用数学优化，其中一种算法可以表示多维空间中的数据（例如图片）（还记得笛卡尔平面吗？这是二维字段），然后学习区分新的多维矢量样本是否属于目标分布。

生成对抗网络的魔法

事实证明，他们在建模和生成高维数据方面非常成功，这就是为什么它们如此受欢迎。 然而，它们并不是生成模型的唯一类型，其他类型包括变分自动编码器（VAE），pixelCNN / pixelRNN和real NVP。 每个模型都有其自身的权衡。

一些与GAN最相关的利弊是：

生成模型是了解当今围绕我们的大量数据的最有前途的方法之一。 根据OpenAI，能够创建数据的算法可能在本质上更好地理解世界。

生成模型可被认为比其鉴别器包含更多的信息，因为它们也可用于判别任务，例如分类或回归（目标是诸如ℝ的连续值）。 通过对联合概率分布函数进行统计推断，可以计算出此类任务大部分时间所需的条件概率分布函数$p(y \mid x)$。

尽管生成模型可用于分类和回归，但是与某些情况下的生成方法相比，完全鉴别方法通常在鉴别任务上更为成功。

案例

在几个用例中，生成模型可以应用于：