概況
- 生成模型和GAN是計算機視覺應用領域中最新進展的核心內容。
- 本文將向您介紹GAN的世界及其不同元件。
- 現實世界中有一些令人興奮的GAN例項在等待-讓我們深入研究！
引言
你能挑出以下圖片集中的奇特之處嗎：
那這個圖片集呢？
這些影像中的所有物體和動物都是由稱為生成對抗網路（GAN）的計算機視覺模型生成的！ 這是目前最流行的深度學習分支之一。 這當然有助於激發我們隱藏的創造力!
GAN絕對是我在深度學習領域最喜歡的主題之一。 我喜歡我們可以將這些模型應用到不同領域-從生成新面孔到創作繪畫（以及填充舊繪畫中的缺失部分）。
本文旨在向您介紹生成網路和GAN。 我們還將研究這些生成網路的各種應用，並深入研究使它們工作的元件。
目錄
1. 什麼是生成模型？
2. 生成模型的應用程式
3. 生成模型的型別
a. 顯示密度
b. 隱式密度
4. 瞭解顯示密度模型
5. 生成對抗網路（GANs）的介紹
6. GAN的分步訓練過程
1. 什麼是生成模型？
首先，讓我們先了解生成模型的概念，然後再廣泛地研究其應用。 這將幫助您視覺化不同的用例，並在稍後討論GAN時將它們聯絡起來。
在機器學習或深度學習中，我們主要處理兩種主要型別的問題：監督學習和無監督學習。
在監督學習問題中，我們有自變數（x）和目標標籤（y）。 目的是學習用於對映x和y的對映函式：
監督學習的示例包括分類，迴歸，目標檢測，影像分割等。
另一方面，無監督學習問題只有自變數（x），沒有目標標籤。 這裡的目的是從資料中學習一些潛在的模式。 無監督學習的示例包括聚類，降維等。
那麼生成模型適合什麼地方？
當我們獲取訓練資料後，生成模型會從訓練集的資料分佈中生成新樣本。假設我們有一個訓練集，其分佈為。我們想要生成樣本，以使生成的樣本的分佈類似於。讓我進一步簡化一下。
使用生成模型，我們首先學習訓練集的分佈，然後使用帶有一些變數的學習分佈生成一些新的觀察值或資料點。
現在，有多種方法可以學習模型分佈和資料真實分佈之間的對映，我們將在後面的部分中討論。在那之前，讓我向你展示一些很棒的生成應用程式，它們可能會激發你對生成模型的興趣。