• Geek_59
    2020-01-16
    极客时间
    21天打卡行动 29/21
    <<人工智能基础课31>> 左右互搏:生成式对抗网络
    回答老师问题:
    生成式对抗网络的一个重要的潜在应用就是让人工智能在没有明确指导的情况下学习,使算法的学习方式向人类的学习方式转变。那么如何看待生成式对抗网络在通用人工智能研究中的前景呢?
    1,在对抗学习中不断学习事物肌理特性,对人脸做变换的例子,从黑发变金发、从直发变爆炸头、把微笑变成露齿笑甚至改变性别;
    2,对基因进化的演变等;
    [来源:https://blog.csdn.net/cf2SudS8x8F0v/article/details/78138704,
    https://baijiahao.baidu.com/s?id=1632614041029229029&wfr=spider&for=pc,
    https://www.eurekalert.org/pub_releases_ml/2018-05/imi-5051018.php]
    今日所学:
    1,生成式对抗网络:这是一类在无监督学习中使用的人工智能算法,由两个在零和游戏框架下相互竞争的神经网络实现;
    2,“零和游戏”(zero-sum game)这个术语来自于博弈论,意思是博弈双方的利益之和为零。由于一方的收益必然意味着另一方的损失,因而双方不可能实现合作,属于非合作博弈。
    3,生成式对抗网络里的两个玩家一个叫生成器(generator),一个叫判别器(discriminator),均可以采用深度神经网络实现,这两者之间的对抗就是网络训练的主旋律.
    4,由于生成器和判别器处于零和博弈之中,因而对网络的训练就可以等效成对以下目标函数的极大 - 极小问题;
    5,其中“极大”是让判别器区分真实数据和伪造数据的准确率最大化,“极小”则是让生成器生成的数据被判别器发现的概率最小化。对整体极大 - 极小问题的优化可以通过交替迭代训练的方式实现。
    6,生成式对抗网络好就好在摆脱了对模型分布的依赖,也不限制生成的维度,因而大大拓宽了生成数据样本的范围。
    7,生成式对抗网络能够整合不同的损失函数,增加了设计的自由度;
    8,缺点:生成式对抗网络也有它的问题。最主要的一个问题就是缺乏理论基础;生成式对抗网络面临的另一个主要问题就是训练的难度
    重点:
    1,生成式对抗网络是一类运行在零和博弈框架下的无监督学习算法,由生成器和判别器构成;
    2,生成器的目的是精确模拟真实数据的分布,判别器的目的是精确区分真实数据和生成数据;
    3,生成式对抗网络的主要优点是超越了传统神经网络分类和特征提取的功能,能够按照真实数据的特点生成新的数据;
    4,生成式对抗网络的主要问题是理论基础的缺失。
    展开
    
    
  • J.T
    2019-10-07
    老师 问一下 GAN跟强化学习的本质差异是什么?

    作者回复: 强化学习是从数据到决策的过程,GAN本质上还是个未知分布拟合的问题

    
    
  • 陈邓~cd
    2018-07-06
    AlphaZero可以理解成一种特殊的生成对抗网络吗?

    作者回复: 不是,它不是对数据的联合分布来建模,自己下棋的作用是优化搜索。

    
    
  • 宇宙全栈
    2018-02-17
    remember me - 宇宙全栈
    
    
我们在线,来聊聊吧