我们知道，现在的机器学习擅长的是对图片、语音、文本等进行分类，我输入给神经网络一张图片，它就可以输出一个数，告诉我这个图片是猫还是狗。现在，科学家们希望把这个过程反过来，也就是我输入一个数，神经网络则给我一张图片。这就是所谓的生成过程。

在GAN出现之前，人们已经找到了一些生成图片、语言等的方法，比如自编码器（AutoEncoder），或者反卷积神经网络（De-convolution）等。但是，这些生成方法得到的图片结果却总是效果不佳，而且训练也很慢。于是，Ian Goodfellow就提出了一种全新的方法，它创造性地把深度学习的一体问题转化为了一个二体问题。也就是说，本来我想得到的是一个生成器（一体），但是GAN方法却同时训练了两个神经网络（二体）：一个是生成器，一个是判别器。令人意想不到的是，将两个网络一起训练不仅没有增加我们的负担，反而会同时将生成器和判别器一起训练好。

具体的，我们可以把GAN的思想表示成如下框图：

其中生成网络专门为了造假，生成各种伪造的人脸，而辨别网络则专门负责甄别输入的图是真实的人脸还是伪造的赝品。这两个网络一起训练。这样，生成网络和辨别网络二者之间就构成了一种零和博弈关系。

令人意想不到的是，正是这样一个二体关系的引入却能大大提升生成器造假的水平。而另一方面，人们发现，这样训练出来的辨别网络居然也能比通常表现更好。

从另一个角度说，GAN的出现以及流行标志着深度学习已经由单体年代进入了多体年代，越来越多的博弈关系的引入将会被引入深度学习框架之中。例如，现在已经有了的Teacher-student架构，以及对偶学习架构实际上都在用二体来训练神经网络。

为了将GAN的思想和技术阐述的更详细。集智AI学园推出了系列课程专门讲解各种GAN。你将聆听到三位女生为您解读这些最前沿的技术。

1、深度学习新星——生成对抗网络

首先，让我们来听听北大的姑娘尉方音给我们介绍GAN的工作原理是什么，以及目前比较流行的集中对原始GAN的扩展。

【http://campus.swarma.org/gcou=10128】

课程内容包括：

• 生成对抗网络原理介绍

• 一些有趣的GANs发展方向

• 生成对抗网络在实践中的训练技巧

• WGAN——GANs的原理突破

2、深度生成对抗网络（DCGAN）的解读与应用 

接下来，秀外慧中的90后美女讲师文雷将向我们详细解读Radford & Luke Metz,  Chintala: Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks 这篇经典文献。

【http://campus.swarma.org/gcou=10142】

课程内容包括：

• 传统生成对抗网络（GAN）的工作原理与缺陷

• DCGAN的优势总览

• DCGAN的改进点

• DCGAN的实验与应用

• DCGAN总结与未来研究方向

3、GAN与改进型的GANs

最后，如果你想获得理论上的提升，就请听一听中科院理论物理所的甄慧玲博士为我们讲解的这堂课。你将会看到，计算机科学家、物理学家和数学家是如何从不同的视角来看待GAN的。

【http://campus.swarma.org/gcou=10130】

课程内容包括：

1、GAN结构上的改进

• 模式正则化生成式对抗网络（Mode Regularized GAN）

• 边界寻找生成式对抗网络（Boundary-Seeking GAN）

• 最大似然增强的离散生成对抗网络（Maximum Likelihood Augmented Discreted GAN）

• 最小二乘生成式对抗网络（Least Squares GAN）

• Wasserstein GAN

2、GAN计算上的改进(正则化、耦合)

• 能量生成对抗网络（Energy-based GAN）

• 概率估计深度生成模型(Deep Generative Models with Probability Estimation)

3、我们正在研究并推荐的方法

• 基于能量模型的变分训练（From variational training of energy-based models）             

• 从给定目标分布中抽取样本进行概率推理（Draw sample from given target distributions for probabilistic inference）

4、工程学的换位思考——数学辩证法还是物理辩证法？

想进行代码实践吗？

想看小司机直播带你装环境、调试DCGAN代码？

快来扫码入群：