机器学习实战：基于Scikit-Learn、Keras 和TensorFlow （原书第2 版）

489

第 17 章

使用自动编码器和 GAN 的

表征学习和生成学习

自动编码器是一种人工神经网络，不需要任何监督（即无标记训练集）即可学习输入数

据的密集表征，称为潜在表征或编码。这些编码的维度通常比输入数据低得多，这使得

自动编码器可用于降低维度（见第 8 章），尤其是可用于可视化。自动编码器还充当特征

检测器，还可用于深度神经网络的无监督预训练（如我们在第 11 章中讨论的）。最后，

一些自动编码器是生成模型：它们能够随机生成看起来与训练数据非常相似的新数据。

例如，你可以在人脸图片上训练自动编码器，然后就可以生成新的人脸。但是生成的图

像通常是模糊的且并不完全真实。

相比之下，由生成式对抗网络（GAN）生成的人脸现在令人信服，很难相信他们所代表的

人不存在。你可以访问

https://thispersondoesnotexist.com/

来自己做出判断，该网站显示了

由最近的 GAN 架构

StyleGAN

生成的面孔（你也可以通过

https://thisrentaldoesnotexist.

com/

来查看一些 Airbnb 的卧室）。GAN 现在广泛用于超分辨率（提高图像的分辨率）、

着色、强大的图像编辑（例如，用逼真的背景替换照片）、将简单的草图变成逼真的图

像、预测视频中的下一帧、扩充数据集（以训练其他模型）、生成其他类型的数据（例如

文本、音频和时间序列）、识别其他模型中的弱点并加以增强，等等。

自动编码器和 GAN 都是非监督的，都学习密集表征，都可以用作生成模型，并且具有

许多相似的应用。但是它们的工作方式截然不同： ...