生成對抗網(wǎng)絡由IanGoodfellow于2014年提出。GAN不是神經(jīng)網(wǎng)絡應用在無監(jiān)督學習中的唯一途徑，還有玻爾茲曼機（GeoffreyHinton和TerrySejnowski，1985）和自動解碼器（DanaH.Ballard，1987）。三者皆致力于通過學習恒等函數(shù)f（x）=x從數(shù)據(jù)中提取特征，且都依賴馬爾可夫鏈來訓練或生成樣本。

GAN設(shè)計之初衷就是避免使用馬爾可夫鏈，因為后者的計算成本很高。相對于玻爾茲曼機的另一個優(yōu)點是GAN的限制要少得多（只有幾個概率分布適用于馬爾可夫鏈抽樣）。

在本文中，我們將講述GAN的基本原理及最流行的現(xiàn)實應用。

GAN原理

讓我們用一個比喻解釋GAN的原理吧。

假設(shè)你想買塊好表。但是從未買過表的你很可能難辨真假；買表的經(jīng)驗可以免被奸商欺騙。當你開始將大多數(shù)手表標記為假表（當然是被騙之后），賣家將開始「生產(chǎn)」更逼真的山寨表。這個例子形象地解釋了GAN的基本原理：判別器網(wǎng)絡（手表買家）和生成器網(wǎng)絡（生產(chǎn)假表的賣家）。

兩個網(wǎng)絡相互博弈。GAN允許生成逼真的物體（例如圖像）。生成器出于壓力被迫生成看似真實的樣本，判別器學習分辨生成樣本和真實樣本。

判別算法和生成算法有何不同？簡單地說：判別算法學習類之間的邊界（如判別器做的那樣），而生成算法學習類的分布（如生成器做的那樣）。

如果你準備深入了解GAN

想要學習生成器的分布，應該定義數(shù)據(jù)x的參數(shù)p_g，以及輸入噪聲變量p_z（z）的分布。然后G（z，θ_g）將z從潛在空間Z映射到數(shù)據(jù)空間，D（x，θ_d）輸出單個標量——一個x來自真實數(shù)據(jù)而不是p_g的概率。

訓練判別器以最大化正確標注實際數(shù)據(jù)和生成樣本的概率。訓練生成器用于最小化log（1-D（G（z）））。換句話說，盡量減少判別器得出正確答案的概率。

可以將這樣的訓練任務看作具有值函數(shù)V（G，D）的極大極小博弈：

換句話說，生成器努力生成判別器難以辨認的圖像，判別器也愈加聰明，以免被生成器欺騙。

「對抗訓練是繼切片面包之后最酷的事情?！?YannLeCun

當判別器不能區(qū)分p_g和p_data，即D（x，θ_d）=1/2時，訓練過程停止。達成生成器與判別器之間判定誤差的平衡。

歷史檔案圖像檢索

一個有趣的GAN應用實例是在「PrizePapers」中檢索相似標記，PrizePapers是海洋史上最具價值的檔案之一。對抗網(wǎng)絡使得處理這些具有歷史意義的文件更加容易，這些文件還包括海上扣留船只是否合法的信息。

每個查詢到的記錄都包含商家標記的樣例——商家屬性的唯一標識，類似于象形文字的草圖樣符號。

我們應該獲得每個標記的特征表示，但是應用常規(guī)機器學習和深度學習方法（包括卷積神經(jīng)網(wǎng)絡）存在一些問題：

• 它們需要大量標注圖像；

• 商標沒有標注；

• 標記無法從數(shù)據(jù)集分割出去。

這種新方法顯示了如何使用GAN從商標的圖像中提取和學習特征。在學習每個標記的表征之后，就可以在掃描文檔上按圖形搜索。

將文本翻譯成圖像

其他研究人員表明，使用自然語言的描述屬性生成相應的圖像是可行的。文本轉(zhuǎn)換成圖像的方法可以說明生成模型模擬真實數(shù)據(jù)樣本的性能。

圖片生成的主要問題在于圖像分布是多模態(tài)的。例如，有太多的例子完美契合文本描述的內(nèi)容。GAN有助于解決這一問題。

我們來考慮以下任務：將藍色輸入點映射到綠色輸出點（綠點可能是藍點的輸出）。這個紅色箭頭表示預測的誤差，也意味著經(jīng)過一段時間后，藍點將被映射到綠點的平均值——這一精確映射將會模糊我們試圖預測的圖像。

GAN不直接使用輸入和輸出對。相反，它們學習如何給輸入和輸出配對。

下面是從文本描述中生成圖像的示例：

用于訓練GAN的數(shù)據(jù)集：

• Caltech-UCSD-200-2011是一個具有200種鳥類照片、總數(shù)為11,788的圖像數(shù)據(jù)集。

• Oxford-102花數(shù)據(jù)集由102個花的類別組成，每個類別包含40到258張圖片不等。

藥物匹配

當其它研究員應用GAN處理圖片和視頻時，InsilicoMedicine的研究人員提出了一種運用GAN進行藥物匹配的方法。

我們的目標是訓練生成器，以盡可能精確地從一個藥物數(shù)據(jù)庫中對現(xiàn)有藥物進行按病取藥的操作。

經(jīng)過訓練后，可以使用生成器獲得一種以前不可治愈的疾病的藥方，并使用判別器確定生成的藥方是否治愈了特定疾病。

腫瘤分子生物學的應用

InsilicoMedicine另一個研究表明，產(chǎn)生一組按參數(shù)定義的新抗癌分子的管道。其目的是預測具有抗癌作用的藥物反應和化合物。

研究人員提出了一個基于現(xiàn)有生化數(shù)據(jù)的用于識別和生成新化合物的對抗自編碼器（AAE）模型。

「據(jù)我們所知，這是GAN技術(shù)在挖掘癌癥藥物領(lǐng)域的首個應用?！?研究人員說。

數(shù)據(jù)庫中有許多可用的生物化學數(shù)據(jù)，如癌細胞系百科全書（CCLE）、腫瘤藥物敏感基因?qū)W（GDSC）和NCI-60癌細胞系。所有這些都包含針對癌癥的不同藥物實驗的篩選數(shù)據(jù)。

對抗自編碼器以藥物濃度和指紋作為輸入并使用生長抑制率數(shù)據(jù)進行訓練（GI，顯示治療后癌細胞的數(shù)量減少情況）。

分子指紋在計算機中有一個固定的位數(shù)表示，每一位代表某些特征的保留狀態(tài)。

隱藏層由5個神經(jīng)元組成，其中一個負責GI（癌細胞抑制率），另外4個由正態(tài)分布判別。因此，一個回歸項被添加到編碼器代價函數(shù)中。此外，編碼器只能將相同的指紋映射到相同的潛在向量，這一過程獨立于通過額外的流形代價集中輸入。

經(jīng)過訓練，網(wǎng)絡可以從期望的分布中生成分子，并使用GI神經(jīng)元作為輸出化合物的微調(diào)器。

這項工作的成果如下：已訓練AAE模型預測得到的化合物已被證明是抗癌藥物，和需接受抗癌活性化合物實驗驗證的新藥物。

「我們的研究結(jié)果表明，本文提出的AAE模型使用深度生成模型顯著提高了特定抗癌能力和新分子的開發(fā)效率?！?/span>

結(jié)論

無監(jiān)督學習是人工智能的下一個藍海，我們正朝著這一方向邁進。

生成對抗網(wǎng)絡可以應用于許多領(lǐng)域，從生成圖像到預測藥物，所以不要害怕失敗。我們相信GAN有助于建立一個更好的機器學習的未來。

原文鏈接：https://blog.statsbot.co/generative-adversarial-networks-gans-engine-and-applications-f96291965b47

本文為機器之心編譯，轉(zhuǎn)載請聯(lián)系本公眾號獲得授權(quán)。

?------------------------------------------------