Keras深度学习入门与实践

第4章　生成对抗网络和WaveNet

在这一章，我们将讨论生成对抗网络（Generative Adversarial Network，GAN）和WaveNet。生成对抗网络被深度学习之父杨立昆（Yann LeCun）定义为最近10年机器学习最有意思的创意。生成对抗网络能够学习如何重现看似真实的合成数据。例如，计算机能学习如何绘制并创作逼真的图像。这个思想最初由Ian Goodfellow 提出（更多信息请参考《NIPS 2016 Tutorial: Generative Adversarial Networks》，作者I. Goodfellow，2016）；他曾在蒙特利尔大学、Google Brain工作过，目前就职于OpenAI。WaveNet是一个由谷歌DeepMind提出的深度生成网络，用于教会计算机如何重现人的声音和乐器音，并都具有很高的质量。

本章，我们将涵盖以下内容：

• 什么是生成对抗网络
• 深度卷积生成对抗网络
• 生成对抗网络的应用

4.1　什么是生成对抗网络

生成对抗网络可以直观地简单理解为类似于伪造品。伪造品是指仿制其他艺术家作品的过程，通常被仿者是更著名的艺术家。生成对抗网络同时训练两个神经网络，如图4.1所示，生成器G(Z) 生成仿品，判别器D(Y) 可以基于真品和仿品来判断仿造品的仿真程度。D(Y) 有一个输入参数Y（例如，一个图像），它用于判别输入的真实度，通常，靠近0的值表示真实，靠近1的值表示仿造。G(Z) 接受随机噪声输入Z，并训练自己去欺骗D，让D以为G(Z) 产生的任何数据都是真实的。因此，训练判别器D(Y) 的目标是，使每个真实的数据分布中的图像的D(Y)值最大化，并使真实数据分布之外的图像其D(Y) 值最小化。所以，G和D进行一个相对立的博弈；因此名为对抗性训练。请注意，我们以交替方式训练 ...