概述
生成对抗网络 (GAN) 通过让两个神经网络在竞争中相互竞争来创建真实的新数据。他们创造了第一波令人信服的人工智能生成面孔，并且仍然是生成人工智能领域的一个里程碑式的想法。
生成对抗网络位于核心人工智能工具包中。当你理解它时，其他人工智能主题就变得更容易评估和比较。
深入探讨
GAN 由 Ian Goodfellow 于 2014 年提出，可以同时训练两个网络。生成器从随机噪声开始发明假样本，例如图像。判别器判断每个样本是真实的（来自训练数据）还是假的（来自生成器）。他们竞争：生成器试图愚弄鉴别器，而鉴别器则试图不被愚弄。随着两者的改进，赝品变得惊人的真实。 GAN 为《此人不存在》中的逼真面孔提供了动力，StyleGAN 为高分辨率肖像设定了标准。众所周知，它们的训练非常棘手，容易出现不稳定和“模式崩溃”，即生成器仅产生少量重复输出。此后，扩散模型在许多图像任务中已经超越了它们，但 GAN 的生成速度仍然很快且具有影响力。
技术洞察
训练是两个目标相反的网络之间的极小极大游戏。判别器经过训练，输出真实数据的高分和生成数据的低分；生成器经过训练，可以使鉴别器为其假货输出高分。至关重要的是，生成器永远不会直接看到真实图像，它仅从通过鉴别器传回的梯度信号中学习。在理论平衡状态下，生成器的输出分布与真实数据相匹配，并且鉴别器只能进行猜测。
掌握生成对抗网络
生成对抗网络 (GAN) 通过让两个神经网络在竞争中相互竞争来创建真实的新数据。他们创造了第一波令人信服的人工智能生成面孔，并且仍然是生成人工智能领域的一个里程碑式的想法。生成对抗网络位于核心人工智能工具包中。当你理解它时，其他人工智能主题就变得更容易评估和比较。为了建立深入的理解，请将生成对抗网络视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地完成的任务与仍需要专家判断的任务分开。
在实践中，使用生成对抗网络的强大团队首先构建强大的概念模型，然后将这些模型映射到实际的生产约束。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
它可以帮助您将清晰的技术声明与营销语言分开。同时，不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
它可以帮助您将清晰的技术声明与营销语言分开。
它可以帮助您将清晰的技术声明与营销语言分开。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
在花费金钱或时间之前，您可以提出更好的实施问题。
在花费金钱或时间之前，您可以提出更好的实施问题。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
具有共同理解的团队可以做出更好的产品、政策和学习决策。
具有共同理解的团队可以做出更好的产品、政策和学习决策。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
生成不存在的人的真实面孔，例如 ThisPersonDoesNotExist.com
放大和锐化低分辨率图像和旧视频（超分辨率）
为真实数据稀缺或私有的领域创建合成训练数据
风格转换和照片编辑，例如将草图变成逼真的图像或使脸部老化
实施模式
生成对抗网络的实践
生成不存在的人的真实面孔，例如 ThisPersonDoesNotExist.com。
生成不存在的人的真实面孔，如 ThisPersonDoesNotExist.com 团队在预先定义质量阈值、为边缘情况保留人员升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
生成对抗网络的实践
放大和锐化低分辨率图像和旧视频（超分辨率）。
升级和锐化低分辨率图像和旧视频（超分辨率） 团队在预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
生成对抗网络的实践
为真实数据稀缺或私有的领域创建合成训练数据。
为真实数据稀缺或私有的领域创建合成训练数据 当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
生成对抗网络的实践
风格转换和照片编辑，例如将草图变成逼真的图像或使脸部老化。
风格转换和照片编辑，例如将草图变成逼真的图像或老化脸部。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪随着时间的推移提高的生产力和错误成本时，通常会得到更好的结果。
风险与防护栏
不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。
基准测试可能看起来很强大，但实际性能却参差不齐。
忽视数据质量和评估计划通常会产生脆弱的结果。
实施路线图
从您需要的结果的简单语言定义开始。
从您需要的结果的简单语言定义开始。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在测试之前选择一种成功指标和一种失败条件。
在测试之前选择一种成功指标和一种失败条件。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
使用代表性数据运行小型试点，而不是完善的演示集。
使用代表性数据运行小型试点，而不是完善的演示集。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
记录生成对抗网络在哪些方面有帮助以及在哪些方面更简单的方法更好。
记录生成对抗网络在哪些方面有帮助以及在哪些方面更简单的方法更好。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。