图：pixabay

　　本文作者是waya.ai的创始人Michael Dietz，该作者对生成式对抗网络（GANs）颇有研究,本文，他就深入浅出地为我们介绍了深度学习领域中最火的研究方向，以及面临的相关问题。

　　对抗学习（Adversarial learning）是深度学习中最受欢迎的领域之一。如果你浏览过arxiv-sanity（）的话，你就会注意到，当前最受欢迎的研究领域的大多数都是在研究这一方向。

　　而这篇文章将要教给你的是：

　　解释我们应该关注对抗学习这一领域的原因

　　简要介绍生成式对抗网络（GAN）及其相关的主要挑战

　　总结最近的研究（Wasserstein GAN，改进Wasserstein GAN的训练），解决这些挑战并稳定GAN训练（包括实施）

　　经典机器学习——深度学习

　　之前我在美国伊利诺伊大学香槟分校看了一场关于“模拟信号和系统课程”的开场演讲，在演讲中教授自信地断言：

　　这是你最重要的课程，而抽象是工程中最重要的概念。

　　针对复杂性这一问题的解决方案就是抽象，我们也称之为信息隐藏。抽象只是消除不必要的细节。这个想法是为了设计复杂系统的一部分，你必须确定这是其他人必须知道的那部分，以便设计其部件，atv直播，以及你可以将哪些细节进行隐藏。其他人必须知道的那部分就是抽象。

　　 —— cs.cornell.edu

　　深层神经网络学习数据的分层表示。网络中的层，以及他们学习的表现形式是彼此相互建立的，层数越多，抽象层次也就越高。给定原始数据，询问网络的问题以及评估网络答案的目标函数，网络学习以最佳的方式来表示（抽象）此数据。

　　这个概念的结果是，该网络学习并执行特征工程。与经典机器学习方法相反的是，其中预期包含与手动任务相关的信息的特征被手动识别，并从数据中提取出来，从而降低“学习”算法的输入维度。

　　当数据的基础结构，模式和机制通过学习，而不是手工制动的时候，AI的以前不可行的应用程序被启用，而其超人性化也将成为可能。

　　深度学习到深度对抗学习

　　几年前，我遇见过一个拳击教练，他不会让新的拳击手问问题。因为如果新的拳击手问错了问题，就会得到了他们不需要的答案，然后专注于错误的事情。

　　提出正确的问题需要与提供正确答案一样多的技能。

　　 ——Robert Half

　　对抗学习的美妙之处在于，我们的网络完全从数据中进行学习——要问的问题，相应的答案以及对这些答案的评估。与经典深度学习方法相反的是，预期与手头任务相关的问题被手动识别，手动制作的目标函数指导我们的网络优化，从而学习相应的答案。

　　Deep Mind最近展示了AlphaGo深度（对抗）学习的巨大潜力，显示AlphaGo发明了新知识，并在围棋中教授了新的理论。这带来了围棋的一个全新时代，并让玩家破解了一个他们被困了数千载的僵局。AlphaGo能够通过学习一个评估函数来实现这一点，该函数可以在任何给定时刻描述系统的“分数”，而不是尝试手工制动和预编程来执行这一操作。然后，AlphaGo通过数百万次模拟游戏对自己进行了训练。这听起来像对抗学习是吧？

　　AlphaGo的架构

　　AlphaGo不仅凭借其自身的强大能力成为世界上最好的围棋选手，它还真正掌握了游戏及其所有的细微之处和复杂性。这是有可能的，因为它不受人类输入的限制，或是我们（我们现在的认知都是有限的）对问题领域的理解（例如在询问，回答和评估问题上）的限制。下一步的目标就是将这些学习方法应用于现实世界中。很难想象AI将如何重塑农业，医疗保健等行业，atv，但这一定会发生的。

　　生成式对抗网络

　　我所不能构建的是我所不明白的。

　　 ——理查德?费曼（美国知名物理学家）

　　上述引述激发了我开始着手GAN研究的积极性。 GAN将训练过程理解为两个网络之间的游戏，并允许对通用数据进行对抗学习。

　　GAN的基本概念：GANs是通过让两个网络相互对抗的方式形成生成式模型

　　https://blog.openai.com/generative-models/