GAN网络为什么这么重要
作为一种生成模型："GAN 是更好的生成模型""GAN 避免了马尔科夫链式的学习机制""各种类型的损失函数都可以整合到GAN 模型中" "概率密度不可计算时，GAN 仍可以应用" lan J.Goodfellow说
"我们一直在错过一个关键因素就是无监督/预测 学习，这是指：机器给真实环境建模、预测可能的 未来、并通过观察和演示来理解世界是如何运行的 能力。"
"GAN 为创建无监督学习模型提供了强有力的算 法框架，有望帮助我们为 AI 加入常识(CommonSense)。 我们认为，沿着这条路走下去，有不小 的成功机会能开发出更智慧的AI。" Yann LeCun说
GAN网络可以做什么：
· 真实数据生成任务
- 图像生成 一视频生成
-自然语句生成
-音乐生成
· 解决数据不足问题 一多视角、多任务学习
GAN网络的优缺点
1. 生成对抗网络(GANs)
-优点：生成样本细节清晰
一缺点：优化困难(训练过程不稳定性)
2. 变分自动编码模型(VAE)
一优点：允许带隐变量的概率图模型学习与贝叶斯推断(例如 DRAW,Attend Infer Repeat)
一缺点：生成样本模糊
3. 自回归模型(Auto-regressive)
一优点：简单，稳定的训练过程(例如PixelRNN)
一缺点：采样效率低
CSDN大礼包《知识图谱构建与应用之人工智能平台开发工程师》
GAN网络基本框架
CSDN大礼包《知识图谱构建与应用之人工智能平台开发工程师》
GAN网络原理
CSDN大礼包《知识图谱构建与应用之人工智能平台开发工程师》
GAN网络的特性
优点： ·模型优化只用到了反向传播，而不需要马尔科夫链。
·训练时不需要对隐变量做推断。
·理论上，只要是可微分函数都能用于构建D 和G, 因而能够与深度 神经网络结合->深度产生式模型。
·G 的参数更新不是直接来自于数据样本，而是使用来自D 的反传梯 度。
缺 点 ：
·可解释性差：生成模型的分布pg(G)没有显示的表达。
· 比较难训练，D与G之间需要很好的同步，例如D更新k次而G更新1次。
深度GAN网络
深度卷积网络->生成模型，产生分辨率更高、内容更加复杂的数据
基于连续递归神经网络的GAN 模型
可用于处理连续的序列数据，如音乐数据。
· 递归生成网络G: 提供连续数据的序列；递归判别网络D: 区分真实的序列数据和
生成的序列数据。
判别模型
