生成式對抗網絡
關注創建者：正一算法程序 創建時間：2020-11-02
生成式對抗網絡的實例教程
?
生成對抗網絡 （GAN） 由 Ian Goodfellow 于 2014 年首次提出。GAN 是一類功能強大的神經網絡，用于無監督學習。GAN 可以創造任何東西，無論你提供給他們什么，因為它是 Learn-Generate-Improve。要首先了解 GAN，您必須對
卷積神經網絡知之甚少。如果將圖像饋送到 CNN，CNN 經過訓練可以根據圖像的標簽對圖像進行分類，它會逐個像素分析圖像并通過 CNN 隱藏層中存在的節點，作為輸出，它會告訴圖像是關于什么的或它在圖像中看到什么。例如：如果 CNN 經過訓練對狗和貓進行分類，并且圖像被提供給該 CNN，它可以判斷該圖像中是狗還是貓。因此，它也可以稱為分類算法。GAN 有何不同？GAN 可以分為兩部分，即 Generator 和 Discriminator。鑒別器–GANs 的這一部分可以被認為類似于 CNN 的作用。判別器是一個卷積神經網絡，由許多隱藏層和一個輸出層組成，這里的主要區別是 GAN 的輸出層只能有兩個輸出，這與 CNN 不同，CNN 可以有相對于它訓練的標簽數量的輸出。判別器的輸出可以是 1 或 0，因為為此任務專門選擇了激活函數，如果輸出為 1，則提供的數據是真實的，如果輸出為 0，則將其稱為假數據。Discriminator 在真實數據上進行訓練，因此它學會識別實際數據的外觀以及數據應該將哪些特征歸類為真實數據。 發電機–從名稱本身，我們可以理解它是一種生成算法。Generator 是一個逆卷積神經網絡，它的作用與 CNN 完全相反，因為在 CNN 中，實際圖像作為輸入給出，分類標簽預期作為輸出，但在 Generator 中，隨機噪聲（具有一些確切值的向量）作為該逆 CNN 的輸入，實際圖像預期作為輸出。簡單來說，它利用自己的想象力從一段數據中生成數據。
展開 圖像合成：從給定的數據分布（如人臉、風景或動物）生成新的逼真圖像。
文本到圖像合成：從文本描述（如場景描述、對象描述或屬性）生成圖像。
圖像到圖像轉換：將圖像從一個域轉換到另一個域，例如將灰度圖像轉換為彩色、更改場景的季節或將草圖轉換為逼真的圖像。
異常檢測：識別數據中的異常或異常值，例如檢測金融交易中的欺詐、檢測網絡入侵或識別醫學成像中的醫療狀況。
數據增強：增加用于訓練深度學習模型的數據集的大小和多樣性，例如在計算機視覺、語音識別或自然語言處理中。
視頻合成：從給定的數據分布（例如人類動作序列、動物行為或動畫序列）生成新的逼真視頻序列。
音樂合成：從給定的數據分布（如音樂流派、風格或樂器）生成新的原創音樂。
3D 模型合成：從給定的數據分布（例如對象、場景或形狀）生成新的逼真 3D 模型。
生成對抗網絡 （GAN） 最流行的是從給定的圖像數據集生成圖像，但除此之外，GAN 現在還用于各種應用。這些是一類神經網絡，具有一個鑒別器塊和一個生成器塊，它們協同工作，除了對樣本類別進行分類或預測之外，還能夠生成新樣本。
一些新發現的 GAN 用例包括：
安全：事實證明，人工智能對許多行業來說都是一個福音，但它也受到網絡威脅問題的困擾。事實證明，GAN 對處理對抗性攻擊有很大幫助。對抗性攻擊使用各種技術來欺騙深度學習架構。通過創建虛假示例并訓練模型來識別它們，我們可以應對這些攻擊。
使用 GAN 生成數據：數據是任何深度學習算法中最重要的關鍵。一般來說，數據越多，任何深度學習算法的性能就越好。但是在許多情況下，例如健康診斷，數據量受到限制，在這種情況下，需要生成高質量的數據。正在使用 GAN 的用途。
隱私保護： 在許多情況下，我們的數據需要保密。這在國防和軍事應用中特別有用。
展開 <div contenteditable="false" width="100%">
演示如何使用 Keras 庫構建生成對抗網絡。使用的數據集是預加載到 Keras 中的 CIFAR10 Image 數據集。您可以在此處閱讀有關數據集的信息。
</div><div contenteditable="false" width="100%">
<br>
</div><p><br></p>
展開 生成式對抗網絡(generative adversarial networks, GAN)由于學習數據分布十分困難，生成式對抗網絡繞開這一步驟，直接生成新的圖像。生成式對抗網絡使用一個生成網絡G從隨機噪聲中生成圖像，以及一個判別網絡D判斷其輸入圖像是真實/偽造圖像。在訓練時，判別網絡D的目標是能判斷真實/偽造圖像，而生成網絡G的目標是使得判別網絡D傾向于判斷其輸出是真實圖像。實際中，直接訓練生成式對抗網絡會遇到mode collapse問題，即生成式對抗網絡無法學到完整的數據分布。隨后，出現了LS-GAN和W-GAN的改進。和變分自編碼器相比，生成式對抗網絡的細節信息更好。以下鏈接整理了許多和生成式對抗網絡有關的論文：hindupuravinash/the-gan-zoo。以下鏈接整理了許多訓練生成式對抗網絡的其技巧：soumith/ganhacks。
視頻分類(video classification)
前面介紹的大部分任務也可以用于視頻數據，這里僅以視頻分類任務為例，簡要介紹處理視頻數據的基本方法。
多幀圖像特征匯合 這類方法將視頻看成一系列幀的圖像組合。網絡同時接收屬于一個視頻片段的若干幀圖像(例如15幀)，并分別提取其深度特征，之后融合這些圖像特征得到該視頻片段的特征，最后進行分類。實驗發現，使用"slow fusion"效果最好。
展開 04 GAN
生成式對抗網絡模型被譽為“下一代深度學習框架”，是目前最強大的生成式模型，已在圖像視頻生成、增強、編輯等應用領域廣泛落地。每隔一段時間網絡上就會出現關于其神奇效果的相關報道，比如換臉、繪畫、讓人物跳舞、老片修復、以及讓照片人臉動起來等等。這其中，圖像增強可謂是GAN落地最成熟的一個方向。此外，數據爬取、數據分析篩選、模型批量調參、模型快速部署等算法工程師必備技能也是本項目的重點。
推薦項目：圖像增強經典超分辨率任務均衡Cifar分類項目
學習和探索GAN技術是如何在企業中一步步落地，解決客戶的實際需求。
生成式對抗網絡的相關專題、標簽、搜索
生成式對抗網絡的最新內容
圖像合成：從給定的數據分布（如人臉、風景或動物）生成新的逼真圖像。
文本到圖像合成：從文本描述（如場景描述、對象描述或屬性）生成圖像。
圖像到圖像轉換：將圖像從一個域轉換到另一個域，例如將灰度圖像轉換為彩色、更改場景的季節或將草圖轉換為逼真的圖像。
異常檢測：識別數據中的異?；虍惓Ｖ?，例如檢測金融交易中的欺詐、檢測網絡入侵或識別醫學成像中的醫療狀況。
數據增強：增加用于訓練深度學習模型的數據集的大小和多樣性
<div contenteditable="false" width="100%">
演示如何使用 Keras 庫構建生成對抗網絡。使用的數據集是預加載到 Keras 中的 CIFAR10 Image 數據集。您可以在此處閱讀有關數據集的信息。
</div><div contenteditable="false" width="100%">
<br>
</div><p><br><
?
生成對抗網絡 （GAN） 由 Ian Goodfellow 于 2014 年首次提出。GAN 是一類功能強大的神經網絡，用于無監督學習。GAN 可以創造任何東西，無論你提供給他們什么，因為它是 Learn-Generate-Improve。要首先了解 GAN，您必須對
卷積神經網絡知之甚少。如果將圖像饋送到 CNN，CNN 經過訓練可以根據圖像的標簽對圖像進行分類
04 GAN
生成式對抗網絡模型被譽為“下一代深度學習框架”，是目前最強大的生成式模型，已在圖像視頻生成、增強、編輯等應用領域廣泛落地。每隔一段時間網絡上就會出現關于其神奇效果的相關報道，比如換臉、繪畫、讓人物跳舞、老片修復、以及讓照片人臉動起來等等。這其中，圖像增強可謂是GAN落地最成熟的一個方向。
通過收集大量的用戶駕駛數據來改善其自動駕駛系統的質量,如Tesla;２)實景測試,在真實的公路環境下使用原型車輛進行測試,考慮到安全因素,該方法的測試條件比較嚴格．這些方法除了數據收集的成本較高外,收集到的數據分布也十分有限,這使得測試系統無法檢測出自動駕駛系統在新環境中的安全性;同時過度收集的駕駛數據也存在侵犯用戶隱私的問題．
1.5基于生成數據的測試方法
基于生成數據的測試方法主要分為２種:１)基于生成式對抗網絡
VITAL方法在MDNet的基礎上引入了生成對抗式網絡，通過在訓練時遮擋目標的不同區域以增強網絡的特征表達能力以及預測的魯棒性。分類式跟蹤方法的主要弊端在于速度很慢，在GPU中僅能達到１FPS，其主要原因在于大量的候選樣本需要重復的特征提取。
實際中，直接訓練生成式對抗網絡會遇到mode collapse問題，即生成式對抗網絡無法學到完整的數據分布。隨后，出現了LS-GAN和W-GAN的改進。和變分自編碼器相比，生成式對抗網絡的細節信息更好。以下鏈接整理了許多和生成式對抗網絡有關的論文：hindupuravinash/the-gan-zoo。
為了解釋內在的多模態分布，一系列工作建立在隨機模型上，如條件變分自編碼器(CVAEs)[20,30,17,36,5]或生成式對抗網絡(GANs)[15,32,42]來繪制軌跡樣本。盡管它們的性能極具競爭力，但在推斷時隱性變量采樣不可控的缺點使它們無法部署在對安全要求極高的駕駛場景中。確定性方法大多基于多模態軌跡回歸[10,4,8,22]。
