GAN自從誕生以來，一路升級，功能越來越強。
這種強大的方法走過了怎樣的進化之路？
GAN的誕生和構架
GAN誕生在2014年，Ian Goodfellow和他的同事發表了名爲生成性對抗網絡Generative Adversarial Nets的論文。
GAN的構架從此奠定。
它由生成器generators 和 判別器discriminators兩部分組成，以無人監督的方式運行。
生成器抓取數據併產生新的合成樣本，混入原始數據中，一起送給判別器，判別器區分哪些是原始數據，哪些是後來合成的。這一過程反覆進行，直到判別器無法以超過50%準確度從合成樣本中分辨出真實樣本。
在實踐中，GAN的構架也帶來一些缺陷。
首先，同時訓練生成器和判別器與生俱來的不穩定性。每次參數更新後，需要優化的問題性質都會發生變化，因此模型內部的參數值會振盪或不穩定。更嚴重的情況是，生成器崩潰，吐出一大堆看起來同類的樣本。
其次，生成器和判別器還有互相壓倒的風險。如果生成器太精確，就會去利用判別器的弱點鑽空子，而不是靠生成更逼真的圖片來欺騙判別器；如果判別器太精確，就會阻礙生成器的收斂過程。
最後，缺乏訓練數據，也會影響到GAN在語義方面的發展，
不過，英特爾AI實驗室的高級主管Hanlin Tang 表示，正在出現的新興技術可以應對這些侷限。他提出了兩種方法，一是將多個判別器放入一個模型中，並根據特定數據進行微調。二是餵給判別器密集的嵌入表示，或者數據的數字表示。這樣它們可以有更多的信息，來從中提取。
GAN的應用：從圖片到語音
1、圖像
GAN最有常見和有名的應用是合成以假亂真的圖像。
比如英偉達的Style GAN，可以把人物B的臉部特徵遷移到人物A上。
詳細介紹可以戳：
這些假臉實在太逼真了！英偉達造出新一代GAN，生成壁紙級高清大圖毫無破綻
除了人臉，還可以進行其它對象之間的遷移。卡內基·梅隆大學的科學家開發了出了Recycle-GAN ，它能把一個視頻或照片的內容傳到另一個上。
比如人臉和動畫臉：
或者讓一朵花模仿另一朵開的姿勢：
2、視頻
從圖片前進一步，就是視頻。Deepmind開發了DVD-GAN
原始數據集是從Youtube上收集的50萬張10秒長的高分辨率視頻，最終可以生成256 x 256像素視頻，最長能有48幀。
3、音樂
除了可以來製作照片，GAN還可以用來作曲。
亞馬遜的deepcomposer鍵盤的原理和GAN一致。
輸入一個簡單的旋律，生成器根據隨機數據創建樣本，判別器進行區分。兩者反覆改進，最終就會生成一段樂曲。
4、語音
GAN在語音上的應用並不多，谷歌和帝國理工學院的研究者一起研發了GAN-TTS ，這個系統運用GAN，將文本轉爲自然真實的語音。
這個系統裏有10個辨別器，一部分負責判別輸出的語音和文本是否一致，另外一部分只關注語音是否真實自然。
5、檢測垃圾評論
想解決網上有人用機器刷虛假評論的問題。有研究者開發 spamGAN來檢測網上的垃圾評論。
spamFAN採用半監督學習的技術，其中將未標記的數據與少量標記的數據結合使用。
在使用10％的標記數據進行訓練時，準確性達到了71％至86％。
GAN的未來：如何精細控制
儘管GAN已經取得了很多的進步，英特爾實驗室的Hanlin Tang 表示，現在依舊處於早期。
GAN 仍然缺少非常精細的控制，這是一個很大的挑戰。
在計算方面，也有研究人員嘗試輕型模型。
IBM多模式算法和引擎小組的研究人員Youssef Mroueh正在和同事一起開發小型GAN，用來減少訓練時間和內存使用。
它們想努力實現的是，如果生成器太精確，就會去利用判別器的弱點鑽空子，而不是靠生成更逼真的圖片來欺騙生成器；如果判別器太精確，就會阻礙生成器的收斂過程
如果不用那麼多的計算量，不做那麼多麻煩的事情，應該怎麼改變模型。這就是他們現在努力的方向。
參考資料：https://venturebeat.com/2019/12/26/gan-generative-adversarial-network-explainer-ai-machine-learning/
https://papers.nips.cc/paper/5423-generative-adversarial-nets.pdf
— 完 —