火热的生成对抗网络（GAN），你究竟好在哪里

正文

请到「今天看啥」查看全文

图2 Image to image图像翻译

仔细想来，这些任务，其实都是传统的深度神经网络可以做的，例如自编码器（AutoEncodor）和卷积反卷积架构可以做到的，我们不禁要想，GAN相比传统的深度神经网络，它的优势在哪里？前段时间，我也一直比较迷惑，中文能查到的资料，就是Ian Goodfellow在 生成对抗网络（GAN） 论文最后总结的几点，如下：

优点

• 模型只用到了反向传播，而不需要马尔科夫链；

• 训练时不需要对隐变量做推断；

• 理论上，只要是可微分函数都可以用于构建D和G，因为能够与深度神经网络结合做深度生成式模型；

• G的参数更新不是直接来自数据样本，而是使用来自D的反向传播（这也是与传统方法相比差别最大的一条吧）。

缺点

• 可解释性差,生成模型的分布 Pg(G)没有显式的表达。

• 比较难训练,D与G之间需要很好的同步,例如D更新k次而G更新一次。

上面只是一个比较简单的解释，很幸运，我在Quora上查到了两个类似问题， GAN与其他生成模型相比有什么优势 ，这个问题只有一个人回答，很幸运的是，他就是Ian Goodfellow，GAN的发明人，他在Quora上的签名就是“I invented generative adversarial networks”。而另一个问题是 GANs的优缺点是什么？ 良心大神Goodfellow也做了回答。我把他的两个回答翻译如下：

请到「今天看啥」查看全文