【GAN全局实用手册】谷歌大脑最新研究，Goodfellow力荐

[转载出处：www.11jj.com]

[原文来自：www.11jj.com]

  新智元编译  

来源：Goole Brain

编译：金磊

【新智元导读】随着GAN越来越多的应用到实际研究当中，其技术中的缺陷与漏洞也随之出现。从实际角度对GAN的当前状态进行深入挖掘与理解就显得格外重要。来自Google Brain的Karol Kurach等人重现了当前的技术发展水平，探索GAN的景观，并讨论常见的陷阱和可重复性等问题。 

从实际角度对GAN的当前状态进行深入挖掘与理解对GAN的发展有着重要的意义。来自Google Brain的Karol Kurach等人重现了当前的技术发展水平，探索GAN的景观，并讨论常见的陷阱和可重复性等问题。Lan Goodfellow等AI界大咖也对此成果表示赞同，并纷纷转载。

深度生成模型可以应用于学习目标分布的任务。 他们最近在各种应用程序中被利用，在自然图像的背景下充分发挥其潜力。 生成对抗网络（GAN）是以完全无监督的方式学习这些模型的主要方法之一。 GAN框架可以被视为一个双人游戏，其中第一个“玩家”，生成器(generator)，正在学习将一些简单的输入分布（通常是标准的多元正态或均匀）转换为图像空间上的分布，这样第二个“玩家”，鉴别器(discriminator)，无法判断样本是属于真实分布还是合成。 两位“玩家”的目标都是尽量减少自己的损失，而比赛的解决方案就是Nash均衡(equilibrium)，任何“玩家”都不能单方面改善他们的损失。 还可以通过最小化模型分布和真实分布之间的统计差异来导出GAN框架。