生成对抗网络（GANs）最新家谱：为你揭秘GANs的前世今生

作者：Guim Perarnau

编译：Katherine Hou、朝夕、Katrine Ren、Shan LIU、笪洁琼、钱天培

生成对抗网络（GAN）一经提出就风光无限，更是被Yann Lecun誉为“十年来机器学习领域最有趣的想法”。

GAN“左右互搏”的理念几乎众所周知，但正如卷积神经网络（CNN）一样，GAN发展至今已经衍生出了诸多变化形态。

今天，文摘菌就来为大家盘点一下GAN大家庭中各具特色的成员们。

他们的名单如下：

1.DCGANs

2.Improved DCGANs

3.Conditional GANs

4.InfoGANs

5.Wasserstein GANs

6.Improved WGANs

7.BEGANs

8.ProGANs

9.CycleGANs

注意，这篇文章不会包含以下内容

•   复杂的技术分析

•   代码（但有代码链接）

•   详细的研究清单

（你可以点击以下链接https://github.com/zhangqianhui/AdversarialNetsPapers）

想要了解更多GANs相关内容的也可以留言告诉文摘菌哦～

GANs概论

如果你对GANs很熟悉的话，你可以跳过这部分的内容。

GANs最早由Ian Goodfellow提出，由两个网络构成，一个生成器和一个鉴别器。他们在同一时间训练并且在极小化极大算法（minimax）中进行竞争。生成器被训练来欺骗鉴别器以产生逼真的图像，鉴别器则在训练中学会不被生成器愚弄。

GAN 训练原理概览

首先，生成器通过从一个简单分布（例如正态分布）中抽取一个噪音向量Z，并且上行采样（upsample）这个向量来生成图像。在最初的循环中，这些图像看起来非常嘈杂。然后，鉴别器得到真伪图像并学习去识别它们。随后生成器通过反向传播算法（backpropagation）收到鉴别器的反馈，渐渐在生成图像时做得更好。我们最终希望伪图像的分布尽可能地接近真图像。或者，简单来说，我们想要伪图像尽可能看起来像真的一样。 

值得一提的是，因为GANs是用极小化极大算法做优化的，所以训练过程可能会很不稳定。不过你可以使用一些“小技巧”来获得更稳健的训练过程。

在下面这个视频中，你可以看到GANs所生成图片的训练演变过程。