|
2017-08-14 12:47 来源:量子位 视频 /谷歌 /程序设计 原标题：十个生成模型(GANs)的最佳案例和原理 | 代码+论文 王小新 编译 原文作者：Sumeet Agrawal 生成对抗网络（GANs）是一种能“教会”计算机胜任人类工作的有趣方法。一个好的对手能让你成长更快，而GANs背后就是“从竞争中学习”的思路。 GANs最先是由蒙特利尔大学的Ian Goodfellow提出，已在图像生成和风格迁移等领域获得了巨大的成功，充分展示了“无监督学习”技术的潜力。 GANs是如何工作的？
△GAN结构示意图 一个GAN中包含两个相互竞争的神经网络模型。一个网络称为生成器（generator），能将噪声作为输入并生成样本；另一个网络称为鉴别器（discriminator），能接收生成器数据和真实训练数据，训练得到能正确区分数据类型的分类器。 这两个网络互相对抗。其中，生成器通过学习来产生更逼近真实数据的新样本，用于愚弄鉴别器，反之鉴别器也需要更好地区分生成数据与真实数据。 将这两个网络联合训练，经过大量回合“交锋”后，鉴别器将无法区分生成样本和实际数据。做个比喻，生成器就像是想制作一些高仿品的生产商，而鉴别器就像是试图检测出这些仿制品的警察。 由于整个过程是自动完成的，仅受限于实际的计算能力，因此GANs可用来实现一些很有趣的功能。 以下是一些用GANs完成的酷炫应用。 1、让机器拥有想象力 神经网络对于物体的本质是怎么“想”的？ 为了搞懂这个问题，谷歌大脑的研究人员使用GAN，atv，让神经网络的“想法”呈现在你的眼前。当然，这些“想法”看起来十分迷幻。 其实这原本是一个图像分类器，而生成的迷幻图片，是故意对图像进行过度处理的副产品。现在这套系统有个单独的名字：“深梦（Deep Dream）”。
△Deep Dream模型利用普通照片生成的一张奇幻照片
△Deep Dream模型将塔楼、房屋和小鸟等对象融入图像中的效果示例 想要运行Deep Dream模型，你只需要输入一张图像，然后这个模型就开始穷尽所能，寻找被训练识别的目标。在一张完全不相关的图像中，神经网络可能会发现一些与狗、房子、水母等物体的相似之处。 就好像你看到云朵会产生联想一样，Deep Dream模型会放大它找到的相似之处。 举个例子，当你运行这个辨识网络时，它指出某张图是狗的可能性为40%，然后开始修改输入图像，使得这张图为狗的可能性增加到60%。并不断重复这个过程，直到输入图像明显地转化成一张看起来像狗的图像。 按照这种方式，通过将图像逐渐转化为的另一种物体，这个神经网络就把自己的“想象”，展现在你的面前。 谷歌提出的Deep Dream模型将传统的思路（即给定相同输入只产生一种输出的想法），改变为不断修改输入来获取最佳输出。 更多信息 博客： 代码： https://github.com/google/deepdream 2、能模仿人的智能体 这是通过GANs实现模仿学习。不同于传统的奖励机制，某些AI研究人员希望针对自主学习智能体，提出一种全新的方法。 他们将实际的示范数据输入到智能体，然后智能体从中学习并尝试模仿相同的动作。
△一个小人试图模仿人类来自学跑步 在这个模型中，Jonathan Ho和Stefano Ermon提出了一种模仿学习的新方法。一般来说，强化学习通常需要设计一个衡量智能体运动行为的奖励机制。但是，在实际中，可能要经历成本昂贵的试错过程，才能得到合理的前进表现。 然而，在模仿学习中，智能体从示范数据（机器人的远程操作或是人类行为）中学习，消除了设计奖励机制的要求。关于强化学习在这方面的最新研究可移步量子位编译过的“DeepMind智能体自学跑酷：略显智障，结果尚好”。 更多信息 博客： https://blog.openai.com/generative-models/ 代码： https://github.com/openai/imitation 3、指马为斑马 用图像生成图像，这也是生成网络的一个有趣应用。在实验中，研究人员能够更改视频中的动物种类、图片中的季节类型或是其他类似任务。 (责任编辑：本港台直播) |
