生成对抗网络（，简称GAN）是非监督式学习的一种方法，通過两个神经網路相互博弈的方式进行学习。该方法由伊恩·古德费洛等人于2014年提出。

生成對抗網絡常用於生成以假亂真的圖片。此外，該方法還被用於视频帧预测、三維物體模型等。

生成對抗網絡虽然最开始提出是為了無監督學習，但经證明對、強化學習GAIL（Generative Adversarial Imitation Learning）通过逆强化学习框架实现策略优化也有效。 在2016年的一個研討會上，杨立昆称生成式對抗網絡为「機器學習這二十年來最酷的想法」。

核心定义

数学形式 minG​maxD​V(D,G)=Ex∼pdata​​[logD(x)]+Ez∼pz​​[log(1−D(G(z)))] 其中G为生成器，D为判别器

潜在空间说明，潜在空间z通常服从高斯分布N(0,I)，维度需人工设定（如DCGAN中z∈R100）

现代基准数据
重要子类说明

Wasserstein GAN改进 使用Earth-Mover距离替代JS散度： W(pr,pg​)=infγ∈Π(pr,pg​)​E(x,y)∼γ​[∣∣x−y∣∣] 需满足判别器Lipschitz约束

渐进式训练策略 ProGAN采用分层训练模式，从低分辨率（4×4）开始逐步加倍分辨率至1024×1024

應用
生成對抗網路的應用範圍正在大幅增加。

時尚和廣告
生成對抗網路可用于创建虚构时装模特的照片，无需聘请模特、摄影师、化妆师，也省下工作室和交通的開銷。 生成對抗網路可用于时尚广告活动，创建來自不同群體的模特兒，这可能会增加這些群體的人的购买意图。

科學
生成對抗網路可以改善天文图像，并模拟重力透镜以进行暗物质研究。

在2019年，生成對抗網路成功地模拟了暗物质在太空中特定方向的分布，并预测将要发生的引​​力透镜。

電子遊戲
在2018年，生成對抗網路进入了電子游戏改造社区。對舊的電子游戏透過图像训练，以4k或更高分辨率重新创建低分辨率2D纹理，然后对它们进行下取樣以适应游戏的原始分辨率（结果类似于抗锯齿的超级取樣方法）。通过适当的训练，生成對抗網路提供更清晰、高于原始的2D纹理图像品質，同时完全保留原始的细节、颜色。

参见

• 深度学习
• ChatGPT
• 互聯網死亡論

参考文献