生成對抗性網路基礎generative adversarial networks (gans)
生成對抗網路 GAN 是一種使用深度學習方法（如 CNN（卷積神經網路））進行生成建模的方法。 生成建模是一種無監督學習方法，涉及自動發現和學習輸入資料中的模式，以便模型可用於從原始資料集生成新示例。
生成對抗網路 （GAN） 可分為三個部分：
生成：學習生成描述如何基於概率模型生成資料的模型。
對抗：“對抗”一詞是指將一件事與另一件事對立起來。 這意味著，在 GAN 的上下文中，生成的結果將與資料集中的實際影象進行比較。 一種稱為鑑別器的機制用於應用試圖區分真實和虛假影象的模型。
網路：使用深度神經網路進行訓練，作為人工智慧 （AI） 演算法進行訓練。
生成對抗網路是一類用於無監督學習的強大神經網路。 GAN由兩個神經網路組成，乙個鑑別器和乙個生成器。 他們使用對抗性訓練來生成與實際資料相同的人工資料。 生成器試圖通過生成隨機雜訊樣本來欺騙鑑別器，鑑別器的任務是準確地將生成的資料與真實資料區分開來。 這種競爭性互動產生了真實、高質量的樣本，推動了兩個網路的發展。 GANs被證明是一種高度通用的人工智慧工具，它在影象合成、風格轉換和文字到影象合成方面的廣泛應用證明了這一點。 他們還徹底改變了生成建模。
GAN是一種訓練生成模型的方法，通過將問題定義為具有兩個子模型的監督學習問題。 gans 有兩個組成部分：
發電機：它被訓練以生成新的資料集，例如在計算機視覺中，它從現有的真實世界影象生成新影象。
鑑別器：它將這些影象與一些真實世界的例子進行比較，並對真實和虛假影象進行分類。
例項。 生成器生成一些隨機影象（例如，**），然後鑑別器將這些影象與一些真實世界的**影象進行比較，並將反饋傳送回自身和生成器。
優質作者名單