作者：Ian Goodfellow
翻译：七月在线DL翻译组
译者：范诗剑 汪识瀚 李亚楠
审校：管博士 寒小阳 加号
责编：翟惠良 July
声明：本译文仅供学习交流，有任何翻译不当之处，敬请留言指正。转载请注明出处。
2016年的NIPS上，Ian Goodfellow做了主题为《生成对抗网络（Generative Adversarial Networks）》的报告，报告包括以下主题：
- 为什么生成式模型是一个值得研究的课题
- 生成式模型的工作原理，以及与其他生成模型的对比
- 生成式对抗网络的原理细节
- GAN相关的研究前沿
- 目前结合GAN与其他方法的主流图像模型
原英文精辟演示文稿请点击——
PDF版：www.iangoodfellow.com/slides/2016-12-04-NIPS.pdf
KeyNote版：www.iangoodfellow.com/slides/2016-12-04-NIPS.key
本站PDF版本：Generative Adversarial Networks (GANs)
本站KeyNote版：Generative Adversarial Networks (GANs)
一句话描述GAN——
GAN之所以是对抗的，是因为GAN的内部是竞争关系，一方叫generator，它的主要工作是生成图片，并且尽量使得其看上去是来自于训练样本的。另一方是discriminator，其目标是判断输入图片是否属于真实训练样本。
更直白的讲，将generator想象成假币制造商，而discriminator是警察。generator目的是尽可能把假币造的跟真的一样，从而能够骗过discriminator，即生成样本并使它看上去好像来自于训练样本一样。
如下图中的左右两个场景：
为什么要研究GAN——
你或许会这么以为：对于计算机视觉领域该模型虽然能提供更多的图像，但这恰恰是真实世界并不缺少的
GAN的基本原理——
生成对抗网络是一种生成模型（Generative Model），其背后最基本的思想就是从训练库里获取很多的训练样本（Training Examples），从而学习这些训练案例生成的概率分布。
- 生成模型为高维分布的表示与处理提供了一个绝佳的测试机会——此类高维分布往往是工程应用中的重要研究对象；
- 生成式模型能以多种方式嵌入至强化学习中；
- 生成模型可以接受缺失训练数据，或者可以被用来预测缺失数据。生成对抗模型，使得机器学习可以处理复合式问题。
基于GAN的应用——
——iGAN（交互式生成对抗网络）
用户可以绘制一幅草稿，然后iGAN会使用GAN模型来生成最相似的合理图像。
——IAN（自省对抗网络）
——图对图变换
将单幅卫星图像变为地图；将涂鸦转化为相片级别图像等；由于许多这样的转换都存在超过一种的正确输出，为保证模型训练的正确性，使用生成模型就有了必要性。
GAN之最大似然估计的模型——
GAN的损失函数——
DCGAN——深度的卷积GAN
GAN的tips和tricks——（下文简称t&t）
很难具体的说哪些技巧更有效，实际情况是，它们可以在某些任务中提升效果，也可能在另一些任务中起相反作用。因此这些技巧可以拿来尝试，但不要把它们当成是某种最优方法。具体包括：使用标签参与训练；单边标签平滑；将batch normalization虚拟化；是否平衡G和D（小编理解：作者目前的观点是，GANs主要是估计两个概率密度分布的比值，而只有当鉴别器足够完美时才有可能正确估值。所以这里更应该强化D函数）。
关于怎样训练GAN模型，详见GitHub库：http://github.com/soumith/ganhacks
t&t1.使用标签参与训练
t&t2.单边标签平滑
GAN的工作方式是让discriminator估算两个概率密度分布的比值，但是深度神经网络倾向于生成过高置信度的结果，容易走极端，这对模型是不利的。尤其是基于对抗生成的网络，它的分类器倾向线性推断并产生出置信度极高的结果。
t&t3.将batch normalization虚拟化
完。