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: