![cover image](https://wikiwandv2-19431.kxcdn.com/_next/image?url=https://upload.wikimedia.org/wikipedia/commons/thumb/0/00/Multi-Layer_Neural_Network-Vector-Blank.svg/langzh-sg-640px-Multi-Layer_Neural_Network-Vector-Blank.svg.png&w=640&q=50)
生成对抗网络
维基百科,自由的 encyclopedia
生成对抗网络(英语:Generative Adversarial Network,简称GAN)是非监督式学习的一种方法,通过两个神经网络相互博弈的方式进行学习。该方法由伊恩·古德费洛等人于2014年提出。[1] 生成对抗网络由一个生成网络与一个判别网络组成。生成网络从潜在空间(latent space)中随机取样作为输入,其输出结果需要尽量模仿训练集中的真实样本。判别网络的输入则为真实样本或生成网络的输出,其目的是将生成网络的输出从真实样本中尽可能分辨出来。而生成网络则要尽可能地欺骗判别网络。两个网络相互对抗、不断调整参数,最终目的是使判别网络无法判断生成网络的输出结果是否真实。[2][1][3]
![](http://upload.wikimedia.org/wikipedia/commons/thumb/a/a5/GAN_deepfake_white_girl.jpg/640px-GAN_deepfake_white_girl.jpg)
生成对抗网络常用于生成以假乱真的图片。[4]此外,该方法还被用于生成影片[5]、三维物体模型[6]等。
生成对抗网络虽然最开始提出是为了无监督学习,但经证明对半监督学习(英语:Semi-supervised_learning)[4]、完全监督学习[7] 、强化学习[8]也有效。 在2016年的一个研讨会上,杨立昆称生成式对抗网络为“机器学习这二十年来最酷的想法”[9]。