人工智能深度优化算法（生成对抗网络GAN让）

编者按：2014年，Ian Goodfellow提出生成对抗网络(GAN)的概念, 从那之后，生成对抗网络就一直是学术界的研究热点, Yann LeCun还称之为”过去十年间，机器学习领域最让人激动的点子”。GAN目前的发展如何，能做到什么，未来又有哪些展望？本文编译自hackernoon的原题为“The New Neural Internet is Coming”的文章。

GAN是什么 - 生成对抗网络的发展过程

神经网络是最近很流行的科技热词，其核心用途是分类。分类器是自动对输入值进行分类的机器。分类器输入的是一个数值向量，叫做特征（向量）。分类器的输出也是数值，代表分类的结果。分类器的目标就是让正确分类的比例尽可能高。而生成对抗网络（GAN）由一个生成网络与一个判别网络组成，通过让两个神经网络相互博弈的方式进行学习。是非监督式学习的一种方法。

• 生成网络从潜在空间（latent space）中随机采样作为输入，其输出结果需要尽量模仿训练集里的真实样本。

• 判别网络的输入则为真实样本或生成网络的输出，其目的是将生成网络的输出从真实样本中尽可能分辨出来。

• 生成网络则要尽可能地欺骗判别网络。

• 两个网络相互对抗、不断调整参数，最终目的是使判别网络无法判断生成网络的输出结果是否真实（直至达到纳什均衡）。

如果我们将典型的神经网络（如图像分类器）当作神经网络“大脑”的左半球，那么生成对抗网络就类似大脑的右半球 ——负责创造力的一个半球。

GAN是培养神经网络“创造力”的第一步。典型的GAN从随机噪声或者潜在变量中，根据特定的关键字生成图像。目前，GAN生成的图像质量不好，分辨率也有限。但最近NVIDIA取得了新进展：在高分辨率下生成逼真的图像是可以实现的，他们开放了这项技术的权限。

条件GAN和变分自编码器

GAN种类繁多，复杂程度、架构和简称各有不同。人们最感兴趣的是条件GAN和变分自编码器。条件GAN不仅能够模仿“卧室”，“脸”，“狗”等大分类的图像，它生成的图像分类还可以更细。例如，Text2Image网络能将对图像的文字描述，转换成图像。

GAN生成的“假房间”、“假狗 ”、“假名人 ”和“假艺术品 ”结果

通过设置“含义”向量的随机种子，我们能够产生无限个匹配描述的鸟类图像。

输入文字描述“这只小鸟有白色的胸部、浅灰色的头、黑色的翅膀和尾巴”文字转化为向量加入随机种子完成训练的GAN给出结果

我们眼前的机遇

想像一下两年后的世界。NVIDIA这样的公司会将GAN技术发展到成熟的行业水准，就像现在我们能看到的名人头像生成那样。这也就意味着，GAN随时可以按照要求生成任何图像，你只需要给出文字描述就行了。那么很多摄影和设计相关的产业就会过时。请看下图分解。

给出不同的随机种子，这个神经网络能生成无限个图像结果。

左边为输入的文字描述，右边为GAN生成的结果。

输入“我需要牛和海豚合体的照片。 ” 得到图一。

输入“我需要牛和海豚分开的照片。” 得到图二。

输入“我需要牛和海豚分开，享受生活的照片。 ” 得到图三。

超级个性化

让人寒毛直竖的地方在于，这样的一个网络不仅输入它需要生成的目标的描述，还能接收到一个用来描述你，目标消费者，的向量。这个广告能深度描绘出你的个性，你的网页浏览历史、最近的交易记录和地理位置。所以GAN一次性生成的结果，是为你专门打造的。用户点击率一定会爆棚。

输入“穿着我们品牌服装的女孩儿 ” 金发、加州、梦幻红色法拉利、优先白色，结果是左下角的图。输入“穿着我们品牌服装的女孩儿 ” 红棕色头发、最近搜索过香奈儿、计划去摩纳哥旅行，结果是右下角的图。

“测量”你的反应之后，神经网络会进行调整，让广告越来越准确的符合你的品味，刺激让你最兴奋的点。

泡沫趋势

所以，总有一天，网络上会到处都是完全个性化定制的内容。

所有人看到的内容，都是结合自己生活方式、观点看法和个人历史，经过个性化调整的。在美国总统大选中，我们已经目睹了这种泡沫格局的激化，但未来的情况只会越来越糟。GAN可以将为个人生成各种内容，且不受媒体的限制 -从简单的图像广告，到机器生成的复杂观点，帖子和出版作品，从而创建出一个持续的反馈循环，根据人机交互不断改进。不同的GAN之间会出现竞争——全面的自动化战争，而我们人类就是战场。 这一趋势背后的驱动力非常简单——利润。

这可不是什么吓唬人的末日言论，战争的号角早已吹响，只是我们还没看到硝烟。

是好是坏？

我不知道。 但是有些事情已经刻不容缓：这种技术的到来已经不可避免，必须展开广泛的公众讨论，以及做好喊停的准备。 所以，我们最好现在就开始思考 - 如何能够在对抗这个过程的同时，从中受益？

技术方面

出于某些技术上的限制，以上描述的未来还没有成真。 目前，由GAN生成的图像质量还很差，很容易被发现是假的。 但NVIDIA已经向世界展示，生成1024x1024的逼真面孔是可行的。 如果技术要进一步发展，我们需要更快，更大型的GPU，更多关于GAN的理论研究，更多的训练GAN的巧妙方法，更多的标记数据集...

注意: 我们不需要新的能源，量子处理器（但这可能有帮助）或者人工智能，来帮我们实现技术进步。 我们所需要的资源在几年内就能完成，而一些大公司可能已经拥有这些资源。

另外，我们需要更智能的神经网络。GAN的进展会首先应用于超分辨率技术，给超分辨率技术的进步带来极大的好处。

氪官，你怎么看？

编译组出品。编辑：郝鹏程