本文转载自大众号“读芯术”(ID：AI_Discovery)。

向神经网络展现很多的人和车的图片，并奉告其哪一张是车，哪一张是人，终究，这个神经网络就能够学会区别人和车。当新输入一张车或人的图片时，它会告知你这是一个人仍是一辆轿车。

如图1.1所示：基本上，这个神经网络所做的便是构建一个有含义的结构。假如让这个神经网络生成一张新的未曾呈现过的人或车的相片，它无法做到，如图1.2所示。

图1：卷积神经网络

一般需求生成呈相同输入散布的新样本，为此需求一个生成模型。

生成式网络

图2：生成网络的输入数据

假如将这三品种型的数据(图2)输入到生成网络，该网络的学习模型将如图3所示。当企图通过这个练习好的生成式神经网络生成样本时，它将生成图4，由于图4的模型与以上一切三种输入散布模型的平均值相似。

但通过调查，能够明晰地判别出这个样本不属于任何一种已输入的数据散布类型。该怎么处理这个问题呢?答案是随机性。也便是说，生成模型通过添加随机性来发生相似度极高的成果。

图3：学习模型;图4：生成式网络的输出成果

对立性网络

假定要练习一个神经网络来正确辨认0到9之间的数字，咱们先要供给很多数字的图画。练习时，当网络猜测正确时将会得到奖赏，猜测过错时则会给出反响，这样网络就会相应地调整其权值，而且对一切数字的一切图画重复这个进程。

但作为人类的咱们在历经这个进程时其实并非如此。假如你是一名教师，正在教一个孩子怎么辨认0-9。关于数字0，2，3，4，5，6，8，9，他有70%的掌握回答出正确答案。但当他得到1和7这两个数字时，他心中只要50%的掌握(他或许无法分辩)。由于关于他来讲，数字1和7看起来十分相似。

你留意到了这一点，所以开端要点重视1和7，这是你学生面对的首要问题。但假如你一向问相同的问题，他终究会失掉动力并抛弃，这种平衡在人类身上是很常见的，但神经网络不是这样，神经网络没有感觉。咱们能够就这些过错对网络进行一次又一次的练习，直到出错率降到与分辩其他数字的出错率相同停止。

实际中，有些人或许会遇到这样的状况：教师不断问他们相同的问题，他们不断失利，甚至会觉得是教师想让他们失利。这实际上是一种反向行为。

那么怎么在神经网络中重现相似的场景?实际上，咱们能够树立一个实在的对立性网络。假如有程序实在使神经网络尽或许多地犯错，发生上述那种反响，而且它发现了任何缺点，那么这道程序就会针对性地迫使学习者学会铲除这种缺点。

生成式对立网络

生成式对立网络由两个模块组成：一个是生成模型，另一个是判别模型。在练习生成式对立网络时，这两个网络实际上是相互博弈的联系，都在竞赛仅有的参数——判别模型的过错率。生成模型调整其权重以求发生更高的差错，判别模型通过学习企图下降差错。

生成式对立网络的练习进程

示例

有一个伪造者企图造一幅假画而且将其高价出售。与此同时，有一个查看员担任查看并判别这些画的真伪。

起先，伪造者只是在纸上随意画几条线，查看员此刻无法确认真假。由于一开端判别模型和生成模型都还没有进行任何学习。

后来，造假画者学习了更多不同品种的画法，制作出一幅看起来像原画的画，查看员也学习精密的图画来区别赝品和原画。当查看伪造者新生成的画时，查看员就会辨认出画是赝品然后回绝它，这个进程会不断重复。

终究，呈现了这样一种状况：伪造者制作出一张看起来很靠近原画的图片，而查看员无法确认其真伪。这在神经网络中表现为，生成模型生成一张看起来和原画如出一辙的图，而判别模型的输出为0.5，表明其无法区别图片的真假。这时能够把判别模型从神经网络中移除，得到了一个通过充沛练习的生成模型，能够生成看起来十分实在的画。

除此之外，假如将很多的轿车图画导入生成式对立网络中，以生成一个新的轿车样本，那么有一点是确认的，那便是生成式对立网络此刻已了解什么是轿车。

图源：unsplash

由于网络将在潜在空间中结构一个结构，这个结构又称为特征向量，假如调查这些向量，会发现其含义是完好的。这个潜在空间是输入数据散布的映射。每一个维度都与轿车的某项特征相对应。假如潜在空间中的一个轴表明的是轿车的尺度，那么另一个轴就表明轿车的色彩。

所以，假如移动输入散布中的一个数据点，那么在潜在空间中也会有一个十分滑润的过渡。这样，一个相似于输入数据散布的新样本就发生了。