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。
概述
They produced the first wave of convincing AI-generated faces and remain a landmark idea in generative AI.
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。
戰略影響
更明確的決策
它可以幫助您將清晰的技術聲明與行銷語言分開。
成本與預算
在花費金錢或時間之前，您可以提出更好的實施問題。
團隊與工作流程
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。
生成對抗網路的未來
擴散模型現在在高品質影像生成中佔據主導地位，因此純 GAN 已經失去了許多創造性任務的王冠。它們的優勢在於速度：GAN 在一次前向傳遞中產生影像，而擴散需要許多步驟，因此 GAN 堅持即時使用、超解析度和設備上生成。混合系統越來越多地使用 GAN 式的對抗性損失來銳化其他模型的輸出。預計 GAN 將作為一種快速、輕量級的元件而不是標題產生器繼續存在。
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
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。
在測試之前選擇一種成功指標和一種失敗條件。
使用代表性資料運行小型試點，而不是完善的演示集。
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。
不斷探索
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Generative Adversarial Networks quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
常見問題
What is Generative Adversarial Networks?
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。
GAN 中的兩個競爭網路是什麼？
GAN 將生成器（產生假樣本）與鑑別器配對，鑑別器試圖區分生成器的假資料和真實資料。
生成器在建立新樣本時從什麼開始？
生成器將隨機雜訊向量轉換為合成樣本，學習將雜訊塑造成真實的輸出。
生成器在訓練過程中如何改進？
生成器永遠不會直接看到真實數據；它使用鑑別器提供的關於其輸出看起來有多假的反饋（梯度）進行改進。
什麼是 GAN 中的「模式崩潰」？
當生成器發現一些可以欺騙鑑別器的輸出並繼續生成它們，從而失去多樣性時，就會發生模式崩潰。
誰在哪一年引入了 GAN？
Ian Goodfellow 及其同事於 2014 年推出了 GAN，掀起了對抗性生成模型的研究熱潮。