机器学习是一个不断发展的领域，因此对于很多人来说，时刻跟踪这一领域的最新进展是很难的。GAN（生成式对抗网络）是最近引起广泛关注的新兴领域之一，为了让大家能够更好地跟上技术发展的脚步，我们安排了一个简短的GAN速成文章：
·它们适用于哪些生成模型
·过去的时间里它们发生了什么样的变化
·它们可应用于哪里
·GAN带来的挑战
·这个新兴的技术领域未来如何
下面我们就开始吧。
生成模型
使用生成模型，目的是对给定数据集的分布进行建模。对于我们今天讨论的生成模型，该数据集通常是一组图像，但也可能是其他类型的数据，例如音频样本或时间序列数据。
获取此分布模型的方法有两种：隐式或显式。
那么两者之间有什么区别？
有了显式的生成模型，您就可以掌握概率密度。我们可以直接对该分布中的所有变量建模。而对于隐式生成模型，您必须进行抽样以了解我们的模型分布。
当我们评估生成模型时，一种实现方法是使用图像。因此，我们可以从模型分布中取样，然后目视检查样本，以查看它们与原始数据的匹配程度。样本图像离训练图像越近，说明我们的模型越好。
生成模型的类型
在深度学习中，当我们谈论生成模型时，通常是指下列四种模型之一：
·自回归（Autoregressive）
·可逆的（Reversible）
·变分自动编码器（Variational Autoencoders）
·生成式对抗网络（Generative Adversarial Networks）
自回归模型：使用自回归模型，您可以根据之前生成的像素来生成每个像素，从而生成图像。也就是说，当使用自回归模型生成图像时，会逐像素生成图像。这是一个自回归模型的例子。
可逆模型：可逆模型的概念是采用GAN，但要使生成器过程可逆。这意味着我们可以通过可逆模型（从噪声到图像以及从图像到噪声）同时传递图像和噪声。这是可逆模型的一个例子。
变分自动编码器：自动编码器由一对相连的网络组成：编码器和解码器。变分自动编码器的特点是具有连续的潜在空间。这样可以轻松进行采样和插入，这在使用VAE探索特定方向上已有数据的变化时特别有用。这是一个变体自动编码器的例子。
生成式对抗网络
简要介绍完其他生成模型之后，现在我们开始讲解GAN或生成对抗网络。
（图像来自于Brock 2018）
首先，让我们查看一些由GAN生成的图像，以了解过去五年中已取得的进展。上面的这些图像是无条件生成的ImageNet样本，该样本来自名为BigGAN的模型，该模型由Andrew Brock在2019年国际学习代表大会（ICLR）上提出。
这些图像样本之所以引人注目，主要有两个原因：清晰度和类别的多样性。一个动物、一个蘑菇、食物、一道风景，这些都是一起生成的，而且分辨率都很高。
但并不总是这样。
（图片来自Goodfellow et al 2014）
这是最初的GAN论文中的图片，作者为Ian Goodfellow等人。2014年该论文发表时，一跃成为最先进的图像生成技术。但是与BigGAN的样本相比，可以说是天壤之别。从上图所示的这些样本中可以看到，图像分辨率很低，并且容貌尚未完全解析。
(图像案例来自 Karras et al. 2019)
现在让我们快进大概4年，到Nvidia的StyleGAN论文发布，这些生成的人物图像看起来已经非常真实。从2014年的模糊图像开始，GAN所生成的面孔在短短4年内就与真人几乎无法区分。
GAN概述
像上面我们所介绍的其他模型一样，GAN是生成模型的一种形式。但是，与我们讨论的其他模型不同，GAN是隐式生成模型。这意味着如果我们想查看模型的分布情况，就必须对其进行抽样。
那么GAN如何工作？
GAN有两个网络：生成器（生成组件）和鉴别器（对抗组件）。
鉴别器经过训练可以识别生成的示例，并将其与实际示例区分开。我们通过采用一组真实的示例和一组生成的示例，并让鉴别器尝试对真实示例进行分类，以此来训练辨别器。通过训练，我们希望鉴别器能够识别样本是来自于真实的分布还是生成的分布。
与鉴别器相对应的是生成器，它可以吸收随机噪声，并学会将随机噪声转换为看起来逼真的样本，逼真到足以欺骗鉴别器。
随着时间的流逝，这种情况会发生，因为生成器在生成看起来像真实示例的样本方面变得越来越好，而鉴别器甚至会随机猜测样本是真实的还是生成的。我们可以将其想象成一个两人的极大极小博弈，而鉴别器进行随机猜测的这个点就是它的纳什均衡。
训练GAN生成器
生成器将如何学习将随机噪声转换为可以通过鉴别器的图像？
生成器获取样本(通常来自高斯分布)，并通过神经网络对其进行转换以创建样本。同样，我们的目标是让这个示例看起来尽可能真实。
最初，这些转换是完全没有意义的。把随机噪声通过发生器，另一边得到的结果就会很像随机噪声。
(说明噪声向图像的转换过程。噪音来自Adobe Stock，面容来自Karras et al. 2018)
现在，当您生成一个灰度点的图像并将其传递给鉴别器时，大多数情况下鉴别器会将其识别为一个并不真实的例子。使用反向传播，您将获得一个通过生成器发送的信号，该信号告诉生成器中的各层，根据刚发送给鉴别器的样本的不良性能来更新其权重。
经过这些调整后，更多的随机噪声会通过生成器创建一个新图像发送给鉴别器。这次，鉴别器可能会被我们的样本所欺骗了，因为——这主要是由于训练初期的随机性——图像中的某些特征类似于真实数据集。然后，生成器得到一个信号，表明最后一个样本表现良好，并再次相应地更新其权重。
通过许多次迭代并生成大量图像，生成器权重将根据它们在欺骗鉴别器方面的表现而继续更新。如果训练顺利，生成器可以获取随机噪声并将其转换为逼真的图像。
生成器和鉴别器都可以使用此过程完全不受监督地进行训练，并且由于损失函数产生的动态特性，可以创建大量样本。
GAN中的损失函数
在GAN中，生成器和鉴别器都有各自的损失函数。尽管这两种不同的损失函数允许我们通过GAN进行无监督学习，但它们也给训练带来了一些挑战。
鉴别器的代价是希望将真实样本正确标识为真实样本，并且希望将生成的样本正确标识为已生成（等式1）。
（等式1）
您可以在此等式的左侧看到，第一项表示将真实样本标识为真实，而右边项表示将生成的样本标识为生成。
有趣的是，生成器的成本只是该函数的负数（等式2）。
（等式2）
您可以在这里看到一个常数，其中方程式是指鉴别器将真实示例识别为真实示例，因为生成器与过程中的这一部分没有直接关系。但是人们发现，如果像上面的方程式那样使用生成器的损失函数，损失就会饱和。因此，我们要做的就是稍微改变一下公式（公式3）。
（等式3）
使用此版本的损失函数，如果生成器创建可被鉴别器很轻松地识别为生成，那么生成器将获得非常强的信号。通过使用第二个等式，它不再完全是一个由两人组成的极大极小博弈，而是使训练按照我们希望的那样进行，而且训练比以前更加稳定。
GAN的应用
现在我们已经掌握了GAN训练的知识，让我们深入讲解一些关于应用程序的知识。
GANs最早的应用之一来自Goodfellow的原始论文，该论文显示了MNIST数字1和5之间的插值。这是一种表示学习，因为通过训练生成器和鉴别器，我们可以学习原始数据集的潜在表示。
（图片来自Karras et al.2019）
你可以在上面的StyleGAN论文和其他GAN论文的图片中看到同样的应用。
在这个特定示例中，我们看到的是采用源A的样式并将其应用于源B的结构。在左上角，我们将眼镜应用于不同的图像，或者让左边的人们看起来像小孩子。
（图像示例来自Zhu et al. 2017和Isola et al. 2016）
GAN的另一个应用是图像翻译——在某些情况下，它是图像风格转换的一种更通用的方法。
在左边（Zhu），我们看到CycleGAN正在进行一些图像增强，而在右边，Pix2Pix论文（Isola）中，我们正在将图像从一种风格转换为另一种风格。
所以我们有左侧的街景视图的分割图像，以及右侧的实景图像。然后是卫星图像和类似的地图的图像。
使用Pix2Pix模型训练这种风格的转换，您可以实现从卫星图到地图，以及从地图到卫星图的变换。因此，如果您要对一组图像进行样式转换，这些模型是最有效的。
GAN的挑战
但是，GAN的所有进步并非没有挑战。
从理论上讲，GAN就像这个有序的两人极大极小博弈一样，逐渐达到其纳什均衡。我们让噪声通过生成器，生成器学会欺骗鉴别器，然后从理论上讲，鉴别器不再善于检测差异并开始随机猜测。
作为该博弈的运作方式，GAN面临三个主要挑战：
·模式崩溃
·过分讲究的训练
·GAN的评估
模式崩溃
（模式崩溃的图像，来自Goodfellow 2016）
对于模式崩溃，模型只学习多模式数据集的一个或几个模式。我们训练GAN的数据通常有非常多的模式，这使得模式崩溃存在一定的问题。
过分讲究的训练
然后是训练的问题。之前，我们提到了生成器和鉴别器的成本函数。由于此模型中有两个不同的成本函数，因此在平衡这两者方面您可能遇到更多的挑战。
评估GAN
在评估GAN时，有几个问题需要考虑。
首先，来自生成器的好样本并不一定意味着您已经很好地了解了分布。
其次，估算可能性是很难的，也就很难衡量对分布学习的好坏。这就引出了第三个问题:很难知道从分布中到底学习到了多少。
最后，评估GAN是一个活跃的研究领域，目前并没有通用的评估方法。许多论文提出了新的评估指标，但在后来的出版物中并没有受到关注。
GAN的未来
在本篇概述中，我们主要介绍了GAN在生成图像方面的应用，但这并不是GAN的唯一应用——无论是今天已经看到的，还是未来即将出现的。
GAN也正在飞跃发展，例如为语音模拟生成音频，开发新药品，为建筑物设计平面图，为结构生成组件，创建图形设计布局，生成表格数据等等。
随着这类机器学习模型在不同行业和应用中的不断发展，人们对GAN的概念越来越满意，他们将继续寻找更多的领域来利用这一技术。因此，从2014年到今天、到未来，在我们用尽这种对抗网络所带来的所有机遇之前，GAN仍有很长的路要走。
原文作者：Andrew Martin