在计算机视觉领域，已经取得了长足的进步，拥有了先进的图像分类器、目标检测器、文本检测模型等。随着这些技术的成熟，研究者们开始探索该领域的其他方向，其中之一就是生成对抗网络（GANs）。
为了友好地介绍GANs，让谈谈GANs。准备在备受期待的DataHack Summit 2023上点燃热情！加入，从8月2日到5日，在充满活力的班加罗尔的享有盛誉的NIMHANS会议中心。准备好被令人难以置信的研讨会所震撼，这些研讨会将扩展知识，从行业专家那里获得宝贵的见解，并与分享热情的 fellow data enthusiasts 建立联系。保持领先一步，保持对最新趋势的了解，并在数据科学和AI的世界中解锁无限可能。标记日历，确保位置，并准备在DataHack Summit 2023上获得难忘的体验。
点击了解更多详情！
什么是GANs？
都听说过RNNs，它也被用作文本生成器，可以一次生成一个词或一个字母。这种事情可以为图像做吗？是的，有像全可见信念网络（后来更名为自回归模型）这样的技术，它们一次生成一个像素，这可以导致一个完全生成的图像（看起来真实但不是）。但是有没有一种方法可以一次性生成整个图像呢？答案再次是肯定的。GANs就是用于一次性生成整个图像的模型。
GANs如何工作？
GANs由两个不同的组件构成：生成器和判别器。在生成对抗网络中，“对抗”意味着相反或另一种方式，生成器和判别器为了产生逼真的图像而相互竞争。
生成器是一个神经网络，它使用可微分函数，它接受随机噪声作为输入，并将这些噪声通过可微分函数传递，以使它们变得可识别。它试图产生完全依赖于输入噪声的真实图像。但问题是这个生成器如何产生正确的图像呢？它应该首先被训练以产生逼真的图像，对吗？
GANs的训练过程与CNNs不同，训练模型时会使用多个图像及其输出类别，而在GANs中，每个输入图像没有与输出相关联。只是向模型展示一堆图像，并要求模型产生一些来自相同概率分布的新图像。
因此，通过生成器网络传递随机噪声，该网络通过从输入集选择特征来产生输出图像。GANs使用的另一个网络称为判别器，它指导生成器判断产生的图像是真是假。判别器是一个常规的神经网络，只执行分类任务。它用一半的真实图像和一半的假（生成）图像进行训练，其中真实图像被分配接近1的概率，而假图像被分配接近0的概率。
与此同时，生成器的训练正好相反，它试图生成判别器会将其分配到接近1的图像。随着时间的推移，生成器被迫产生更逼真的图像，这些图像可以轻易地欺骗判别器。
GANs训练与CNNs训练相似吗？
普通的CNNs有一些损失/成本函数，它希望最小化这些函数以提高准确性，为此改变参数，从而得到最优权重。训练GANs与CNNs有些相似，但有一些重大变化，这里有两个与生成器和判别器相关的损失/成本函数，这些损失函数是相互对立的。整个GANs的训练过程可以通过值函数来解释，其中生成器希望最小化其值函数，而判别器希望最大化其值函数。
可以使用鞍点来轻松理解值函数。当看到生成器值函数时，通过到达鞍点的最小值来达到最优点，而对于判别器，通过到达反向鞍点的顶部（最大峰值）来实现相同的目标。这解释了为什么GANs训练需要为生成器和判别器都有两个优化技术，它们将同时工作。
在训练中没有使用卷积或循环层，只是矩阵乘法后跟激活函数（leaky relu、tanh和sigmoid是最首选的）。为了更好地训练，应该为生成器和判别器至少有一个隐藏层。GANs的首选优化器是Adam优化器。
GANs的应用
GANs在许多地方都有应用，目前它们只是被用作一种有趣的活动，但在未来可以看到更严肃的用途。目前，GANs在以下用例中被使用：
1. 生成卡通角色：使用GANs，可以通过传递随机噪声来生成卡通角色，这些角色看起来像是图形设计师制作的。
2. 图像到图像的翻译：使用一张普通图像生成卡通化/艺术画作或反之。
3. 面部老化：这可能是在社交媒体应用上经常看到的东西，可以将图像转换为更年轻或更年老的自己。
4. 图像着色：使用GANs，将黑白图像转换为彩色图像。
5. 图像到视频：它可以将静态图像转换为短视频，通过一些算法调整。
6. 3D对象生成：就像2D图像一样，GANs也能够生成3D视频。
想了解更多用例，可以查看这个令人兴奋的博客：
嘿，在离开之前，这里有一些特别的东西。准备好在DataHack Summit 2023上进行一次令人难以置信的数据冒险。已经策划了一个令人难以置信的研讨会阵容，这将彻底改变数据游戏！从“掌握LLMs：训练、微调和最佳实践”、“探索扩散模型的生成性AI”到“构建可扩展的机器学习模型”（等等），这些研讨会绝对是游戏规则改变者。想象自己沉浸在沉浸式、实践性的体验中，这些体验将为提供实用的技能和现实世界的知识，准备立即应用。这是与行业领导者建立联系、建立宝贵联系和解锁激动人心的职业机会的机会。现在就抓住位置，确保在备受期待的DataHack Summit 2023上的位置。
有一些研究论文，可以阅读以获得GANs的数学理解，其中之一是由GANs的创造者撰写的。
生成对抗网络论文：https://arxiv.org/pdf/1406.2661.pdf
改进训练GANs的技术：https://video.udacity-data.com/topher/2018/November/5bea0c6a_improved-training-techniques/improved-training-techniques.pdf