对抗网络GANs介绍

原文出自：https://www.tmtpost.com/2609145.html，这里做个基本了解。

生成对抗网络（Generative Adversarial Networks，GANs）这个概念，最早是在2014年的时候由蒙特利尔大学的AI学者 Ian Goodfellow提出的。在相关论文中，Ian Goodfellow阐释的算法复杂度和数理创新并不太引人注目，但其创造的算法模型在想法上绝对别具一格，尤其它在应用性上的优势令人心动。

抛开复杂的函数语言，GANs在原理本质上酷似博弈论中的二人零和博弈，即非此即彼的胜负游戏。这场游戏中甲的存在价值就是无休止的挑战、质疑和审判乙，从而迫使乙不断调整方案，尽一切可能逃出甲的刁难。

这个玩法应用在机器学习中会有非常奇妙的化学反应。

GANs对这个原理的实现方式是让两个网络相互竞争。其中一个叫做生成器网络（ Generator Network），它不断捕捉训练库中的数据，从而产生新的样本。另一个叫做判别器网络（Discriminator Network），它也根据相关数据，去判别生成器提供的数据到底是不是足够真实。
有个非常生动的比喻来形容GANs，那就是生成器是假币制造者，判别器是警察。警察不断质疑假币上的种种漏洞，这就迫使假币制造者不遗余力地提高造假技术，造出无限接近真实的假币——这也就是GANs的核心目的，从数据中生成全新样本。

这个极具张力的想法，事实上是在理论层面解决了机器学习技术长久以来的问题：如何促使机器学习的训练成果向着人类希望的方向前进。GANs简单粗暴地解决了这个问题，其给业界的震动之大，从它的蹿红速度中就可以得知。2015年GANs技术还名不见经传，2016年就达到了无处不在的火爆程度，甚至被专家称为“机器学习领域20年来最酷的想法”。

当然，这个想法的优势不仅仅是够酷，更重要的是它的应用空间非常巨大。

一、 图像处理：目前网上流传最广的案例，就是通过GANs来生成全新图像，其在真实度和准确度上甚至超过了人工作业。
二、声音处理：语音合成一直都是初级AI商业化的核心领域。GANs可以在合成和恢复语音素材中提供重大助力。包括用AI合成语音、从大量杂音中恢复某条声轨，甚至模仿一个人的语速、语气和语言心理，都可以应用GANs。

三、文字生成：同样的道理，GANs在文本生成、写稿机器人等领域也由极大应用空间。AI创作文字，最大的难关在于机器没有思想和感情，无法制造出人类写作的文本张力。而这些流于字里行间的所谓张力，说不定可以通过GANs来解决。

四、信息破译与信息安全：既然GANs的目的是使某物不断趋近真实，那么生产出真实的笔记、密码吸管，甚至生物密码也都是可能的。借助GANs破译个体习惯来解锁信息，以及提前运用相关技术进行信息安全防护，未来都有可能成为大市场。这里插一句，其实每种AI算法的出现都映射着人类信息将会变得“更危险”一点，AI在信息安全上的应用，近乎于是一场与全世界赛跑的拉力赛。

五、生成个性化产物：GANs的学习方式，是根据一系列数据指标来将样本生成为可被接受的信息。那么个性化产物的制造其实也在可应用范畴中，《西部世界》里看起来接近真实人类的机器人，其实也就是按照多种社会因素来进行样本判断与生成。这类应用用GANs也可一战。

六、高精度的样本预测：GANs的更大作用，其实还在于通过模糊数据和少量信息，对某种可能性结果进行样本预测。数据越充分，算法越高超，这样的预测就会越精准。比如去年年底十分引人注目的，用AI来通过人的侧脸判断正脸，就是用GANs技术来完成。

当前存在的问题：

一、需要数据量过大：GANs的推导，完全依赖基于大量样本数据的反复判断。这对于样本数据的数量和覆盖广度都有严苛要求。而且对运算能力的要求也比较高。在相对垂直、小众的应用领域里，GANs还是比较难以施展手脚。

二、理论指导匮乏造成的系列问题：GANs用什么标准判断、以何种理论体系来引发判断，一直以来还都缺乏支撑。准确地说，GANs是一个有充足样本和指导思想之后的解决方案，但目前解决方案有了，前提条件很多还不具备。在缺乏理论有效指导的情况下，GANs很难得出复杂的样本推导结果，而且错误率十分地高。并且进入无监督学习领域也存在着大量门槛。

三、普遍应用度不高：复杂的算法往往也代表着比较强的兼容性，而GANs目前相对简单的算法，带来的问题就是普遍应用度不高。除了在少数几个领域表现突出之外，在更多底层运算领域则后继乏力。当然，目前学界大量研究也在解决这个问题，根植于GANs思想衍生了大量深度学习模型，或许很快补完这个缺憾。

总而言之，GANs虽然很容易让人感受到它的魅力何在，但完整性和深度显然还不足。与国内一些吹捧之间更是有天壤之别。当然了，GANs的火爆也绝不仅仅是种伪风口，真正的价值，在于其可能激发的连锁反应链。

下一章：GANs网络生成。