前言：春节假期结束了，在这个假期中，原本好好的计划终究没能跟上变化，发生了很多意想不到的事情，导致公众号有近十天没能更新，首先给长期关注的各位小伙伴说一声抱歉，从这两天开始，新一年的工作将逐渐步入正轨，公众号的工作将会一如既往更新，我会更加努力带给各位更好的文章，希望大家支持！

目录

一 生成算法和判别算法

二 生成对抗网络是如何运行的？

三 生成对抗网络：自动编码器和变分自编码器（VAE）

四 训练生成对抗网络的技巧

五 其他机器学习教程

01

生成算法和判别算法

例如：给定一封电子邮件的所有单词，判别算法能够预测该邮件是否为垃圾邮件。垃圾邮件是其中的一种标注，从邮件中收集到的单词则构成了输入数据的特征。用数学表达式表述这一问题，y表示标注，x表示特征，公式p（y｜x）表示“给定x，y的概率”，则该事件可描述为“给定邮件中所包含的单词，邮件为垃圾邮件的概率”。因此，判别算法将特征映射到标注，只关注二者之间的相关性。

一种理解生成算法的方式是，生成算法做相反的事情。生成算法并不预测给定特征的标注，而是试图预测给定标注的特征。

生成算法试图解决的问题是：假设这封电子邮件为垃圾邮件，它的特征可能是什么？判别模型关注y和x之间的关系，而生成模型关注的是如何得到x。这允许你得到p（x｜y），即给定y，x的概率或给定一个类，特征的概率。（也就是说，生成算法可用作分类器，只不过它不仅仅只是对输入数据进行分类）。

另一种区分判别模型和生成模型的理解方式是：判别模型学习类间的边界，而生成模型模拟各个类的分布。

02

生成对抗网络是如何运行的？

比方说，我们试图做一些比仿制蒙娜丽莎更平庸的工作。我们从现实世界中获取并生成那些类似在MINST数据集中发现的手写数字，当显示来自真实MINST数据集中的实例时，判别器将其识别为可信。

同时，生成器创建传送给判别器的新图像。即便这是假的，我们也视为将其视为真。生成器的目标是生成像样的手写数字，假装不会被发现。判别器的目标是识别生成器中的图像是假的。

生成对抗网络的运行步骤如下：

1.生成器输入一系列随机数字并返回一张图像。

2.将生成的图像和真实数据集中的图像流一起送入判别器。

3.判别器接受真实图像和假图像，并返回概率值，范围是0～1之间的数字，其中1表示真实性的预测，0表示假的预测。

因此，得到一个双反馈回路：判别器在包含图像真相的反馈回路中；发生器在在判别器的反馈回路中。

03

生成对抗网络：自动编码器和变分自编码器（VAE）

变分自编码器是生成算法，在对输入数据编码的过程中增加了额外约束，即将隐藏表示进行标准化。变分自编码器既可以像自动编码器一样压缩数据，又可以像生成对抗网络那样合成数据。然而当生成对抗网络生成细节数据时，变分自编码器生成的图像往往更加模糊。Deeplearning4j’s包中包括自动编码器和变分自编码器。

生成算法可分为以下三种类型：

1.给定一个标注，预测相关的特征（朴素贝叶斯）。

2.给定一个隐藏表示，预测相关特征（变分自编码器，生成对抗网络）。

3.给定一些特征，预测其余特征（图像修复，图像插补）。

04

训练生成对抗网络的技巧

生成对抗网络的每一方都可以压制另一方。若判别器太好，返回接近0或1的值，发生器将难以读取梯度；若生成器太好，它将不断利用判别器的弱点导致漏报。这可以通过各自的学习率来减轻这种压制。

注意： Maven 上的Deeplearning4j’s最新版本不包括生成对抗网络，但很快就可以通过自动分化和模型导入来构建和使用，目前这些都可以在Github上额主存储库中获得。

05

其他机器学习教程

生成对抗网络应用案例

文本到图像的生成

图像到图像的转换

图像分辨率的提高

对视频下一帧的预测

高质量图像的生成

[采用深度卷积生成对抗网络的无监督表示学习][论文] [代码]

[生成对抗文本到图像合成][论文] [代码][代码]

[改进的生成对抗网络技术][论文] [代码]

[即插即用生成网络：潜在空间图像的条件迭代生成] [论文] [代码]

[StackGAN：采用生成对抗网络的文本到照片般真实的图像合成与叠加][论文] [代码]

[对Wasserstein 生成对抗网络的改进训练][论文] [代码]

[边界均衡生成对抗网络在Tensorflow中的实现][论文] [代码]

[生成对抗网络的质量、稳定性和变异性的稳步增长][论文] [代码]

聚类

[采用分类生成对抗网络的无监督和半监督学习] [论文]

图像混合

[GP-GAN：高分辨率图像混合的实现] [论文] [代码]

图像修复

[具有感知和上下文损失的语义图像修复] [论文] [代码]

[上下文编码：通过修复进行特征学习] [论文] [代码]

[采用上下文条件生成对抗网络的半监督学习] [论文]

[面部生成的实现][论文] [代码]

联合概率

[对抗学习推论] [论文] [代码]

超分辨率

[经过深度学习的超分辨率图像重建] [代码]（仅适用于人脸数据集）

[使用生成对抗网络生成照片般真实的超分辨率图像] [论文] [代码]

[EnhanceGAN] [论文]

去除遮挡

[采用鲁棒性好的LSTM自动编码器在野外去除遮挡] [论文]

语义分割

[用于乳腺摄影质量分割的对抗深层架构网络] [论文] [编号]

[使用对抗网络进行语义分割] [论文]

对象检测

[用于小物体检测的感知生成对抗网络] [论文]

[A-Fast-RCNN：通过对抗进行对象检测的硬件生成] [论文] [代码]

RNN-GANs

[C-RNN-GAN：具有对抗训练的连续递归神经网络] [论文] [代码]

条件对抗网络

[条件生成对抗网络] [论文] [代码]

[InfoGAN:利用信息最大化生成对抗网络的可解释表示学习] [论文][代码][代码]

[辅助分类生成对抗网络的条件图像合成] [论文] [代码]

[像素级区域转移] [论文] [代码]

[用于图像编辑的可变条件生成对抗网络] [论文] [代码]

[即插即用生成网络：潜在空间图像的条件迭代生成] [论文] [代码]

[StackGAN：采用生成对抗网络的文本到照片般图像的合成与叠加][论文] [代码]

视频预测和生成

[ 基于均方误差的深度multi-scale视频预测] [论文] [代码]

[使用场景动态生成视频] [论文] [网页] [代码]

[MoCoGAN：使用分解动作及内容生成视频] [论文]

纹理合成 & 样式转换

[预计算实时纹理合成与马尔可夫生成对抗网络] [论文] [代码]

图像转译

[无监督的跨领域图像生成] [论文] [代码]

[基于条件对抗网络的图像转译] [论文] [代码] [代码]

[学习使用生成对抗网络探索跨域之间的关系][论文] [代码]

[使用循环一致对抗网络对不成对图像间的转译] [论文] [代码]

[CoGAN：耦合生成对抗网络] [论文] [代码]

[基于生成对抗网络的无监督图像间转译] [论文]

[无监督图像间转译网络] [论文]

[三角生成对抗网络] [论文]

生成对抗网络理论

[基于能量（Energy-based ）的生成对抗网络] [论文] [代码]

[改进的训练生成对抗网络技术] [论文] [代码]

[模式正则化生成对抗网络] [论文]

[利用去噪特征匹配改进生成对抗网络[论文] [代码]

[采样生成网络] [论文] [代码]

[如何训练生成对抗网络][论文]

[训练生成对抗网络的原则性方法] [论文]

[生成对抗网络的展开论述] [论文] [代码]

[最小二乘生成对抗网络] [论文] [代码]

[Wasserstein生成对抗网络] [论文] [代码]

[Wasserstein生成对抗网络的改进训练] [论文] [代码]

[训练生成对抗网络的原则方法] [论文]

[生成对抗网络的泛化和均衡][论文]

三维生成对抗网络

[通过三维生成对抗建模学习对象形状的概率潜在空间] [论文] [网络] [代码]

[用于新型3D视图合成的Transformation-Grounded 图像生成网络] [Web]】

音乐

[MidiNet：一维和二维条件下音符生成的卷积生成对抗网络] [论文]

面部生成和编辑

[使用已学习的相似性度量对像素进行自动编码] [论文] [代码]

[耦合生成对抗网络] [论文] [Caffe代码] [Tensorflow代码]

[用于图像编辑的可变条件生成对抗网络] [论文] [代码]

[为面部属性操作学习残留图像] [论文] [代码]

[采用Introspective对抗网络的神经图像编辑] [论文] [代码]

[Neural Face Editing with Intrinsic Image Disentangling] [论文]

[GeneGAN：从不成对数据中学习对象变形和属性子空间] [论文][代码]

[脸部旋转：用于正面视图合成的全局及局部感知生成对抗网络] [论文]

离散分布

[最大似然扩张离散生成对抗网络] [论文]

[Boundary-Seeking生成对抗网络] [论文]

[采用Gumbel-softmax分布的离散生成对抗网络] [论文]

改进的分类器和识别器

[用于多类开放集合分类的生成OpenMax] [论文]

[对抗特征学习的可控不变性] [论文] [代码]

[生成对抗网络生成未标记样例改善行人重识别基线] [论文] [代码]

[通过对抗训练从模拟和非监督图像中学习] [论文] [代码]

项目

[对抗机器学习库cleverhans] [代码]

[重置-CPPN-GAN-Tensorflow] [代码]（使用残余生成对抗网络和变分自动编码器技术生成高分辨率图像）

[HyperGAN] [代码]（专注于规模和可用性的开源GAN）

以上为译文。

本文由阿里云云栖社区组织翻译。

文章原标题《generative adversarial network》，译者：Mags，审校：袁虎。

赶紧关注我们吧

您的点赞和分享是我们进步的动力!

↘↘↘