概述
生成對抗網路 (GAN) 透過讓兩個神經網路在競爭中相互競爭來創建真實的新數據。他們創造了第一波令人信服的人工智慧生成面孔，並且仍然是生成人工智慧領域的一個里程碑式的想法。
生成對抗網路位於核心人工智慧工具包。當你理解它時，其他人工智慧主題就變得更容易評估和比較。
深入探討
GAN 由 Ian Goodfellow 於 2014 年提出，可以同時訓練兩個網路。生成器從隨機雜訊開始發明假樣本，例如影像。判別器判斷每個樣本是真實的（來自訓練資料）還是假的（來自生成器）。他們競爭：生成器試圖愚弄鑑別器，而鑑別器則試圖不被愚弄。隨著兩者的改進，贗品變得驚人的真實。 GAN 為《此人不存在》中的逼真面孔提供了動力，StyleGAN 為高解析度肖像設定了標準。眾所周知，它們的訓練非常棘手，容易出現不穩定和“模式崩潰”，即生成器僅產生少量重複輸出。此後，擴散模型在許多圖像任務中已經超越了它們，但 GAN 的生成速度仍然很快且具有影響力。
技術洞察
訓練是兩個目標相反的網路之間的極小極大遊戲。判別器經過訓練，輸出真實資料的高分和產生資料的低分；產生器經過訓練，可以使鑑別器為其假貨輸出高分。至關重要的是，生成器永遠不會直接看到真實影像，它僅從通過鑑別器傳回的梯度訊號中學習。在理論平衡狀態下，生成器的輸出分佈與真實資料相匹配，鑑別器只能進行猜測。
掌握生成對抗網絡
生成對抗網路 (GAN) 透過讓兩個神經網路在競爭中相互競爭來創建真實的新數據。他們創造了第一波令人信服的人工智慧生成面孔，並且仍然是生成人工智慧領域的一個里程碑式的想法。生成對抗網路位於核心人工智慧工具包。當你理解它時，其他人工智慧主題就變得更容易評估和比較。為了建立深入的理解，請將生成對抗網路視為一種操作模型，而不是單一功能：定義期望的結果，澄清假設，並將系統可以可靠地完成的任務與仍需要專家判斷的任務分開。
在實踐中，使用生成對抗網路的強大團隊首先建立強大的概念模型，然後將這些模型映射到實際的生產限制。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
它可以幫助您將清晰的技術聲明與行銷語言分開。同時，不同的團隊可能會以不同的方式使用相同術語，因此請儘早定義範圍。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
它可以幫助您將清晰的技術聲明與行銷語言分開。
它可以幫助您將清晰的技術聲明與行銷語言分開。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
在花費金錢或時間之前，您可以提出更好的實施問題。
在花費金錢或時間之前，您可以提出更好的實施問題。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
具有共同理解的團隊可以做出更好的產品、政策和學習決策。
具有共同理解的團隊可以做出更好的產品、政策和學習決策。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
產生不存在的人的真實面孔，例如 ThisPersonDoesNotExist.com
放大和銳利化低解析度影像和舊影片（超解析度）
為真實資料稀缺或私有的領域創建合成訓練數據
風格轉換和照片編輯，例如將草圖變成逼真的圖像或使臉部老化
實施模式
生成對抗網路的實踐
產生不存在的人的真實臉孔，例如 ThisPersonDoesNotExist.com。
產生不存在的人的真實面孔，如 ThisPersonDoesNotExist.com 團隊在預先定義品質閾值、為邊緣情況保留人員升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
生成對抗網路的實踐
放大和銳化低解析度影像和舊影片（超解析度）。
升級和銳利化低解析度影像和舊視訊（超解析度） 當團隊在預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
生成對抗網路的實踐
為真實資料稀缺或私有的領域創建合成訓練資料。
為真實資料稀缺或私有的領域建立合成訓練資料 當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
生成對抗網路的實踐
風格轉換和照片編輯，例如將草圖變成逼真的圖像或使臉部老化。
風格轉換和照片編輯，例如將草圖變成逼真的圖像或老化臉部。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤隨著時間的推移提高的生產力和錯誤成本時，通常會得到更好的結果。
風險與防護欄
不同的團隊可能會以不同的方式使用相同術語，因此請儘早定義範圍。
基準測試可能看起來很強大，但實際效能卻參差不齊。
忽視數據品質和評估計劃通常會產生脆弱的結果。
實施路線圖
從您需要的結果的簡單語言定義開始。
從您需要的結果的簡單語言定義開始。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在測試之前選擇一種成功指標和一種失敗條件。
在測試之前選擇一種成功指標和一種失敗條件。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
使用代表性資料運行小型試點，而不是完善的演示集。
使用代表性資料運行小型試點，而不是完善的演示集。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
記錄生成對抗網路在哪些方面有幫助以及在哪些方面更簡單的方法更好。
記錄生成對抗網路在哪些方面有幫助以及在哪些方面更簡單的方法更好。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。