开发者学习笔记【阿里云人工智能工程师ACA认证（2023版）:生成对抗网络（二）】
课程地址：https://edu.aliyun.com/course/3112108/lesson/19270
生成对抗网络（二）
五、生成对抗网络对比
生成对抗网络和传统的神经网络对比差别很大
1.传统神经网络
（1）根据输入数据的特征，预测输入数据的标签；
（2）一个神经网络是一个训练模型；
（3）网络训练时，依赖于输入数据样本更新参数梯度。
2.生成对抗网络
（1）根据输入数据的标签，生成接近真实的输入分布；
（2）网络比较复杂，一个网络包含生成器和判别器两个模型；
（3）网络训练时，生成器模型梯度更新依赖于判别器模型，学习的时候调整参数梯度参考判别器；
（4）生成器和判别器可以是 CNN 卷积神经网络， RNN 循环神经网络。
3.总结
（1）输入不同：传统神经网络输入真实的数据，根据标签调整，生成对抗网络输入生成器产生的数据。
（2）训练模型不同：传统神经网络训练一个模型，生成对抗网络训练出一个生成器和一个判别器。
（3）调整梯度方式不同：生成对抗网络是用判别模型调整参数。
（4）网络结构不同：生成对抗网络比传统神经网络复杂。
六、了解生成对抗网络的类别及应用场景
1. 生成对抗神经网络类别
生成对抗神经网络类别 |
特征 |
标准生成对抗网络（GAN） |
2014年由 lan Goodfellow 等人提出，采用多层感知机作为网络结构
|
深度卷积生成对抗网络（DCGAN） |
采用卷积神经网络作为 GAN的网络结构，用于生产图片
|
条件生成对抗网络(CGAN) |
对于生成有要求，针对多类别的输入数据，可以指定生成数据的分类类别
|
风格迁移生成对抗网络（CycleGAN） |
包含两个生成器和两个判别器，实现图像到图像的转换，可以做一些有趣的应用 |
基于风格的生成对抗网络（StyleGAN） |
关注 GAN 网络的稳定性，提高GAN 对生成图像的精确控制能力，可以生成高清的，仿真的图像 |
大型生成对抗网络（BigGAN） |
由 DeepMind 提出，用强大的深度学习技术训练 GAN 网络，生成效果高度逼真 |
1. 生成对抗网络应用场景
（1）在图像生成上用 GAN 可以生成高分辨率的图像，真假难辨，
随着发展，生成的图像已经分不出来是真的还是假的
图像转换里斑马可以实时的转换成右边的
（2）人脸合成
① 根据一张人脸的图像，合成出不同角度的人脸图像，只知道一张人脸在识别判定的时候会有些不容易，用 GAN 可以生成不同角度的
② 用于提高人脸识别的精度
（1） 半监督学习
① 缺少训练数据的场景下，利用生成对抗网络提升数据的数量，生成数据加入到训练集中
② 提升训练模型精度
七、本节回顾
通过本节学习，我们学到了：
1.生成对抗网络定义
（1）一种深度学习模型，通过判别模型（discriminative Model）和生成模型（Generative Model）的相互博弈学习，类似于左右互搏，生成接近真实数据的数据分布或对输入数据进行分类；
（2）近年来复杂分布上无监督学习最具前景的方法之一。
2.生成的对抗网络结构
（1）生成器：在给定输入数据时，理解输入，生成类似的输出
（2）判别器:在给定输入数据时，将输入数据正确的分类
3.生成对抗网络对比
（1）传统神经网络：根据输入数据的特征，预测输入数据的标签；一个神经网络是一个训练模型；网络训练时，依赖于输入数据样本更新参数梯度
（2）生成对抗网络：根据输入数据的标签，生成接近真实的输入分布；一个网络包含生成器和判别器两个模型；网络训练时，生成器模型梯度更新依赖于判别器模型，学习的时候调整参数梯度参考判别器；生成器和判别器可以是 CNN 卷积神经网络， RNN 循环神经网络
4.生成对抗神经网络类别
标准生成对抗网络（GAN）、深度卷积生成对抗网络（DCGAN）、条件生成对抗网络(CGAN)、风格迁移生成对抗网络（CycleGAN）、基于风格的生成对抗网络（StyleGAN）、大型生成对抗网络（BigGAN）
5. 生成对抗网络应用场景
图像生成、图像转换、人脸合成、半监督学习
