独家 | 什么是生成模型和GAN？一文体验计算机视觉的魔力（附链接）

作者：PULKIT SHARMA

翻译：吴金笛

校对：王婷

本文长度约为4700字，建议阅读15分钟

本文介绍了生成模型和生成对抗网络（GAN）的工作原理和训练步骤。

概况

• 生成模型和GAN是计算机视觉应用领域中最新进展的核心内容。

• 本文将向您介绍GAN的世界及其不同组件。

• 现实世界中有一些令人兴奋的GAN实例在等待-让我们深入研究！

引言

你能挑出以下图片集中的奇特之处吗：

那这个图片集呢？

这些图像中的所有物体和动物都是由称为生成对抗网络（GAN）的计算机视觉模型生成的！ 这是目前最流行的深度学习分支之一。 这当然有助于激发我们隐藏的创造力!

GAN绝对是我在深度学习领域最喜欢的主题之一。 我喜欢我们可以将这些模型应用到不同领域-从生成新面孔到创作绘画（以及填充旧绘画中的缺失部分）。

本文旨在向您介绍生成网络和GAN。 我们还将研究这些生成网络的各种应用，并深入研究使它们工作的组件。

目录

1. 什么是生成模型？

2. 生成模型的应用程序

3. 生成模型的类型

a. 显示密度

b. 隐式密度

4. 了解显示密度模型

5. 生成对抗网络（GANs）的介绍

6. GAN的分步训练过程

1. 什么是生成模型？

首先，让我们先了解生成模型的概念，然后再广泛地研究其应用。 这将帮助您可视化不同的用例，并在稍后讨论GAN时将它们联系起来。

在机器学习或深度学习中，我们主要处理两种主要类型的问题：监督学习和无监督学习。

在监督学习问题中，我们有自变量（x）和目标标签（y）。 目的是学习用于映射x和y的映射函数：

监督学习的示例包括分类，回归，目标检测，图像分割等。

另一方面，无监督学习问题只有自变量（x），没有目标标签。 这里的目的是从数据中学习一些潜在的模式。 无监督学习的示例包括聚类，降维等。

那么生成模型适合什么地方？

当我们获取训练数据后，生成模型会从训练集的数据分布中生成新样本。假设我们有一个训练集，其分布为。我们想要生成样本，以使生成的样本的分布类似于。让我进一步简化一下。

使用生成模型，我们首先学习训练集的分布，然后使用带有一些变量的学习分布生成一些新的观察值或数据点。

现在，有多种方法可以学习模型分布和数据真实分布之间的映射，我们将在后面的部分中讨论。在那之前，让我向你展示一些很棒的生成应用程序，它们可能会激发你对生成模型的兴趣。

2. 生成模型的应用

为什么我们首先需要生成模型?我一开始也有这个问题。但当我遇到的应用情况越多，我就越相信生成模型的力量。

因此，让我在本节中解释生成模型的一些用例来回答这个问题。

生成数据

你是否曾经尝试过从头开始建立一个深度学习?我们大多数人面临的最常见的挑战之一是缺乏训练数据。即使你有很多数据，我相信你也不会介意获得更多的数据!谁不喜欢更多的数据呢?

在某些行业中，我们需要更多的数据来训练更深的模型。医疗行业就是一个很好的例子。生成模型可以在这里发挥重要作用，因为它们可以用来生成新的数据。这些生成的图像可以用来增加数据集的大小。这是一个很酷的例子，生成模型被用来生成卧室的例子。

（https://arxiv.org/abs/1511.06434）

我们也可以使用生成模型来生成人脸。本文论述了逼真的人脸照片的生成。有许多这样的用例，我们可以使用生