2014年，Ian Goodfellow提出生成對(duì)抗網(wǎng)絡(luò)(GAN)的概念, 從那之后，生成對(duì)抗網(wǎng)絡(luò)就一直是學(xué)術(shù)界的研究熱點(diǎn), Yann LeCun還稱(chēng)之為”過(guò)去十年間，機(jī)器學(xué)習(xí)領(lǐng)域最讓人激動(dòng)的點(diǎn)子”。GAN目前的發(fā)展如何，能做到什么，未來(lái)又有哪些展望？本文編譯自hackernoon的原題為“The New Neural Internet is Coming”的文章。

GAN是什么 -?生成對(duì)抗網(wǎng)絡(luò)的發(fā)展過(guò)程

神經(jīng)網(wǎng)絡(luò)是最近很流行的科技熱詞，其核心用途是分類(lèi)。分類(lèi)器是自動(dòng)對(duì)輸入值進(jìn)行分類(lèi)的機(jī)器。分類(lèi)器輸入的是一個(gè)數(shù)值向量，叫做特征（向量）。分類(lèi)器的輸出也是數(shù)值，代表分類(lèi)的結(jié)果。分類(lèi)器的目標(biāo)就是讓正確分類(lèi)的比例盡可能高。而生成對(duì)抗網(wǎng)絡(luò)（GAN）由一個(gè)生成網(wǎng)絡(luò)與一個(gè)判別網(wǎng)絡(luò)組成，通過(guò)讓兩個(gè)神經(jīng)網(wǎng)絡(luò)相互博弈的方式進(jìn)行學(xué)習(xí)。是非監(jiān)督式學(xué)習(xí)的一種方法。

生成網(wǎng)絡(luò)從潛在空間（latent space）中隨機(jī)采樣作為輸入，其輸出結(jié)果需要盡量模仿訓(xùn)練集里的真實(shí)樣本。

判別網(wǎng)絡(luò)的輸入則為真實(shí)樣本或生成網(wǎng)絡(luò)的輸出，其目的是將生成網(wǎng)絡(luò)的輸出從真實(shí)樣本中盡可能分辨出來(lái)。

生成網(wǎng)絡(luò)則要盡可能地欺騙判別網(wǎng)絡(luò)。

兩個(gè)網(wǎng)絡(luò)相互對(duì)抗、不斷調(diào)整參數(shù)，最終目的是使判別網(wǎng)絡(luò)無(wú)法判斷生成網(wǎng)絡(luò)的輸出結(jié)果是否真實(shí)（直至達(dá)到納什均衡）。

如果我們將典型的神經(jīng)網(wǎng)絡(luò)（如圖像分類(lèi)器）當(dāng)作神經(jīng)網(wǎng)絡(luò)“大腦”的左半球，那么生成對(duì)抗網(wǎng)絡(luò)就類(lèi)似大腦的右半球 ——負(fù)責(zé)創(chuàng)造力的一個(gè)半球。

GAN是培養(yǎng)神經(jīng)網(wǎng)絡(luò)“創(chuàng)造力”的第一步。典型的GAN從隨機(jī)噪聲或者潛在變量中，根據(jù)特定的關(guān)鍵字生成圖像。目前，GAN生成的圖像質(zhì)量不好，分辨率也有限。但最近NVIDIA取得了新進(jìn)展：在高分辨率下生成逼真的圖像是可以實(shí)現(xiàn)的，他們開(kāi)放了這項(xiàng)技術(shù)的權(quán)限。

條件GAN和變分自編碼器

GAN種類(lèi)繁多，復(fù)雜程度、架構(gòu)和簡(jiǎn)稱(chēng)各有不同。人們最感興趣的是條件GAN和變分自編碼器。條件GAN不僅能夠模仿“臥室”，“臉”，“狗”等大分類(lèi)的圖像，它生成的圖像分類(lèi)還可以更細(xì)。例如，Text2Image網(wǎng)絡(luò)能將對(duì)圖像的文字描述，轉(zhuǎn)換成圖像。

GAN生成的“假房間”、“假狗 ”、“假名人 ”和“假藝術(shù)品 ”結(jié)果

通過(guò)設(shè)置“含義”向量的隨機(jī)種子，我們能夠產(chǎn)生無(wú)限個(gè)匹配描述的鳥(niǎo)類(lèi)圖像。

輸入文字描述“這只小鳥(niǎo)有白色的胸部、淺灰色的頭、黑色的翅膀和尾巴”文字轉(zhuǎn)化為向量加入隨機(jī)種子完成訓(xùn)練的GAN給出結(jié)果

我們眼前的機(jī)遇

想像一下兩年后的世界。NVIDIA這樣的公司會(huì)將GAN技術(shù)發(fā)展到成熟的行業(yè)水準(zhǔn)，就像現(xiàn)在我們能看到的名人頭像生成那樣。這也就意味著，GAN隨時(shí)可以按照要求生成任何圖像，你只需要給出文字描述就行了。那么很多攝影和設(shè)計(jì)相關(guān)的產(chǎn)業(yè)就會(huì)過(guò)時(shí)。請(qǐng)看下圖分解。

給出不同的隨機(jī)種子，這個(gè)神經(jīng)網(wǎng)絡(luò)能生成無(wú)限個(gè)圖像結(jié)果。

左邊為輸入的文字描述，右邊為GAN生成的結(jié)果。

輸入“我需要牛和海豚合體的照片。 ” 得到圖一。

輸入“我需要牛和海豚分開(kāi)的照片。”?得到圖二。

輸入“我需要牛和海豚分開(kāi)，享受生活的照片。 ” 得到圖三。

超級(jí)個(gè)性化

讓人寒毛直豎的地方在于，這樣的一個(gè)網(wǎng)絡(luò)不僅輸入它需要生成的目標(biāo)的描述，還能接收到一個(gè)用來(lái)描述你，目標(biāo)消費(fèi)者，的向量。這個(gè)廣告能深度描繪出你的個(gè)性，你的網(wǎng)頁(yè)瀏覽歷史、最近的交易記錄和地理位置。所以GAN一次性生成的結(jié)果，是為你專(zhuān)門(mén)打造的。用戶點(diǎn)擊率一定會(huì)爆棚。

輸入“穿著我們品牌服裝的女孩兒 ”+金發(fā)、加州、夢(mèng)幻紅色法拉利、優(yōu)先白色，結(jié)果是左下角的圖。輸入“穿著我們品牌服裝的女孩兒 ”+紅棕色頭發(fā)、最近搜索過(guò)香奈兒、計(jì)劃去摩納哥旅行，結(jié)果是右下角的圖。

“測(cè)量”你的反應(yīng)之后，神經(jīng)網(wǎng)絡(luò)會(huì)進(jìn)行調(diào)整，讓廣告越來(lái)越準(zhǔn)確的符合你的品味，刺激讓你最興奮的點(diǎn)。

泡沫趨勢(shì)

所以，總有一天，網(wǎng)絡(luò)上會(huì)到處都是完全個(gè)性化定制的內(nèi)容。

所有人看到的內(nèi)容，都是結(jié)合自己生活方式、觀點(diǎn)看法和個(gè)人歷史，經(jīng)過(guò)個(gè)性化調(diào)整的。在美國(guó)總統(tǒng)大選中，我們已經(jīng)目睹了這種泡沫格局的激化，但未來(lái)的情況只會(huì)越來(lái)越糟。GAN可以將為個(gè)人生成各種內(nèi)容，且不受媒體的限制 -從簡(jiǎn)單的圖像廣告，到機(jī)器生成的復(fù)雜觀點(diǎn)，帖子和出版作品，從而創(chuàng)建出一個(gè)持續(xù)的反饋循環(huán)，根據(jù)人機(jī)交互不斷改進(jìn)。不同的GAN之間會(huì)出現(xiàn)競(jìng)爭(zhēng)——全面的自動(dòng)化戰(zhàn)爭(zhēng)，而我們?nèi)祟?lèi)就是戰(zhàn)場(chǎng)。 這一趨勢(shì)背后的驅(qū)動(dòng)力非常簡(jiǎn)單——利潤(rùn)。

這可不是什么嚇唬人的末日言論，戰(zhàn)爭(zhēng)的號(hào)角早已吹響，只是我們還沒(méi)看到硝煙。

是好是壞？

我不知道。 但是有些事情已經(jīng)刻不容緩：這種技術(shù)的到來(lái)已經(jīng)不可避免，必須展開(kāi)廣泛的公眾討論，以及做好喊停的準(zhǔn)備。 所以，我們最好現(xiàn)在就開(kāi)始思考 - 如何能夠在對(duì)抗這個(gè)過(guò)程的同時(shí)，從中受益？

技術(shù)方面

出于某些技術(shù)上的限制，以上描述的未來(lái)還沒(méi)有成真。 目前，由GAN生成的圖像質(zhì)量還很差，很容易被發(fā)現(xiàn)是假的。 但NVIDIA已經(jīng)向世界展示，生成1024x1024的逼真面孔是可行的。 如果技術(shù)要進(jìn)一步發(fā)展，我們需要更快，更大型的GPU，更多關(guān)于GAN的理論研究，更多的訓(xùn)練GAN的巧妙方法，更多的標(biāo)記數(shù)據(jù)集...

注意: 我們不需要新的能源，量子處理器（但這可能有幫助）或者人工智能，來(lái)幫我們實(shí)現(xiàn)技術(shù)進(jìn)步。 我們所需要的資源在幾年內(nèi)就能完成，而一些大公司可能已經(jīng)擁有這些資源。

另外，我們需要更智能的神經(jīng)網(wǎng)絡(luò)。GAN的進(jìn)展會(huì)首先應(yīng)用于超分辨率技術(shù)，給超分辨率技術(shù)的進(jìn)步帶來(lái)極大的好處。