Python无监督学习

第9章　生成式对抗网络和自组织映射

在这一章中，我们再讨论一些非常流行的神经模型，就将结束无监督学习的整个过程，这些模型可用于执行数据生成过程并可从中抽取新的样本。此外，我们将分析自组织映射的功能，这些功能可以调整样本的结构，使特定单元对不同的输入模式做出响应。

本章将着重讨论以下主题。

• 生成式对抗网络（Generative Adversarial Networks，GAN）。
• 深度卷积GAN（Deep Convolutional GAN，DCGAN）。
• Wasserstein GAN（WGAN）。
• 自组织映射（Self-Organizing Maps，SOM）。

9.1　技术要求

本章中的代码需求如下。

• Python 3.5+（强烈建议使用Anaconda的发行版本）。
• 库。
  • SciPy 0.19+。
  • NumPy 1.10+。
  • scikit-learn 0.20+。
  • pandas 0.22+。
  • Matplotlib 2.0+。
  • seaborn 0.9+。
  • TensorFlow 1.5+。
  • Keras 2+（仅用于数据集实用程序功能）。

示例代码可以在本书配套的代码包中找到。

9.2　生成式对抗网络

这些生成模型是由Goodfellow和其他研究人员提出的（参见Generative Adversarial Networks），目的是利用对抗训练的力量，以及深度神经网络的灵活性。在不需要太多技术细节的情况下，我们可以引入对抗训练的概念，将其作为一种基于博弈论的技术进行介绍，其目的是优化两个相互对抗的代理。当一个代理试图欺骗其对手时，另一个代理必须学习如何区分正确的和伪造的输入。特别地，GAN是一个分为两个明确定义组件的模型。

• 生成器。
• 鉴别器（也称为评价器）。