人工智能--深度学习模型

人工智能--深度学习模型
我们知道机器学习模型有：生成模型（GeneraTIveModel）和判别模型（DiscriminaTIve Model）。

判别模型需要输入变量x，通过某种模型来预测p（y｜x）。

生成模型是给定某种隐含信息，来随机产生观测数据。

不管何种模型，其损失函数（Loss FuncTIon）选择，将影响到训练结果质量，是机器学习模型设计的重要部分。

对于判别模型，损失函数是容易定义的，因为输出的目标相对简单。

但对于生成模型，损失函数却是不容易定义的。

2014年GoodFellow等人发表了一篇论文Goodfellow，Ian，et al．GeneraTIve adversarial nets．＂Advances inNeural Information Processing Systems．2014，引发了GAN生成式对抗网络的研究，值得学习和探讨。

今天就跟大家探讨一下GAN算法。

GAN算法概念：
GAN生成式对抗网络（Generative Adversarial Networks ）是一种深度学习模型，是近年来复杂分布上无监督学习最具有前景的方法之一。

GAN生成式对抗网络的模型至少包括两个模块：G模型－生成模型（Generative Model）和D模型－判别模型（Discriminative Model）。

两者互相博弈学习产生相当好的输出结果。

GAN 理论中，并不要求G、D模型都是神经网络，只需要是能拟合相应生成和判别的函数即可。

但实际应用中一般均使用深度神经网络作为G、D模型。

对于生成结果的期望，往往是一个难以数学公理化定义的范式。

所以不妨把生成模型的回馈部分，交给判别模型处理。

于是Goodfellow等人将机器学习中的两类模型（G、D模型）紧密地联合在了一起（该算法最巧妙的地方！）。

一个优秀的GAN模型应用需要有良好的训练方法，否则可能由于神经网络模型的自由性而导致输出结果不理想。

GAN算法原理：1．先以生成图片为例进行说明：假设有两个网络，分别为G（Generator）和D（Discriminator），它们的功能分别是：
1）G是一个生成图片的网络，它接收一个随机的噪声z，通过这个噪声生成图片，记做G。