机器学习开发者指南

第8章　近期的新模型及其发展

本书在之前的章节中探讨了大量的ML模型训练机制，从简单通过型机制开始，例如正向反馈神经网络（Feedforward Neural Network），然后是一些更复杂且更实际的机制，例如接受已知的数据序列作为其训练用数据集的递归神经网络（Recurrent Neural Network，RNN）。

本章将介绍近期出现的两种新的神经网络，它们将更多现实世界的元素引入其模型。第一种神经网络，不仅使用自身来优化其模型，还通过另一个神经网络同时训练，两个网络通过博弈来互相提高。该网络是生成对抗网络（Generative Adversarial Network，GAN）。

第二种与之前的完全不同，它通过选择执行任务的最优步骤来最大化其激励，名叫强化学习（Reinforcement Learning，RL）。

8.1　GAN

GAN是一种全新的非监督式学习模型，在过去的10年中它成为了少数几个打破了机器学习格局的模型之一。它通过使用两个模型在不断迭代中互相竞争，来提升其模型的性能。

这个模型源于监督式学习和博弈论，其主要目标是通过学习，使模型从由同类数据的元素组成的源数据集中生成几近真实的样本。

值得注意的是，GAN的研究数量几乎是呈指数型增长，如图8.1所示。

图8.1　以GAN为名的文献数量

GAN的应用类别

GAN可以通过已知的样本来生成新的样本，甚至可以补全丢失的数据。

图8.2展示了LSGAN架构通过训练LSUN数据集中的5种场景所生成的图像，其中包括厨房、教堂、餐厅和会议室。 ...