本文转载自公众号“读芯术”(ID：AI_Discovery)。
向神经网络展示大量的人和车的图片，并告知其哪一张是车，哪一张是人，最终，这个神经网络就可以学会区分人和车。当新输入一张车或人的图片时，它会告诉你这是一个人还是一辆汽车。
如图1.1所示：基本上，这个神经网络所做的就是构建一个有意义的结构。如果让这个神经网络生成一张新的未曾出现过的人或车的照片，它无法做到，如图1.2所示。
图1：卷积神经网络
通常需要生成呈相同输入分布的新样本，为此需要一个生成模型。
生成式网络
图2：生成网络的输入数据
如果将这三种类型的数据(图2)输入到生成网络，该网络的学习模型将如图3所示。当试图通过这个训练好的生成式神经网络生成样本时，它将生成图4，因为图4的模型与以上所有三种输入分布模型的平均值相似。
但通过观察，可以清晰地判断出这个样本不属于任何一种已输入的数据分布类型。该如何解决这个问题呢?答案是随机性。也就是说，生成模型通过增加随机性来产生相似度极高的结果。
图3：学习模型;图4：生成式网络的输出结果
对抗性网络
假设要训练一个神经网络来正确识别0到9之间的数字，我们先要提供大量数字的图像。训练时，当网络预测正确时将会得到奖励，预测错误时则会给出反馈，这样网络就会相应地调整其权值，并且对所有数字的所有图像重复这个过程。
但作为人类的我们在历经这个过程时其实并非如此。如果你是一名教师，正在教一个孩子如何识别0-9。对于数字0，2，3，4，5，6，8，9，他有70%的把握回答出正确答案。但当他得到1和7这两个数字时，他心中只有50%的把握(他可能无法分辨)。因为对于他来讲，数字1和7看起来十分相似。
你注意到了这一点，于是开始重点关注1和7，这是你学生面临的主要问题。但如果你一直问同样的问题，他最终会失去动力并放弃，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。我们可以就这些错误对网络进行一次又一次的训练，直到出错率降到与分辨其他数字的出错率相同为止。
现实中，有些人可能会遇到这样的情况：老师不停问他们同样的问题，他们不断失败，甚至会觉得是老师想让他们失败。这实际上是一种反向行为。
那么如何在神经网络中重现类似的场景?实际上，我们可以建立一个真正的对抗性网络。如果有程序真正使神经网络尽可能多地犯错，产生上述那种反应，并且它发现了任何弱点，那么这道程序就会针对性地迫使学习者学会根除这种弱点。
生成式对抗网络
生成式对抗网络由两个模块组成：一个是生成模型，另一个是判别模型。在训练生成式对抗网络时，这两个网络实际上是互相博弈的关系，都在竞争唯一的参数——判别模型的错误率。生成模型调整其权重以求产生更高的误差，判别模型通过学习试图降低误差。
生成式对抗网络的训练过程
示例
有一个伪造者试图造一幅假画并且将其高价出售。与此同时，有一个检查员负责检查并判断这些画的真伪。
起初，伪造者只是在纸上随意画几条线，检查员此时无法确定真假。因为一开始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种类的画法，制作出一幅看起来像原画的画，检查员也学习精细的图案来区分赝品和原画。当检查伪造者新生成的画时，检查员就会识别出画是赝品然后拒绝它，这个过程会不断重复。
最终，出现了这样一种情况：伪造者制作出一张看起来很贴近原画的图片，而检查员无法确定其真伪。这在神经网络中表现为，生成模型生成一张看起来和原画一模一样的图，而判别模型的输出为0.5，表示其无法区分图片的真假。这时可以把判别模型从神经网络中移除，得到了一个经过充分训练的生成模型，可以生成看起来非常真实的画。
除此之外，如果将大量的汽车图像导入生成式对抗网络中，以生成一个新的汽车样本，那么有一点是确定的，那就是生成式对抗网络此时已了解什么是汽车。
图源：unsplash
因为网络将在潜在空间中构造一个结构，这个结构又称为特征向量，如果观察这些向量，会发现其意义是完整的。这个潜在空间是输入数据分布的映射。每一个维度都与汽车的某项特征相对应。如果潜在空间中的一个轴表示的是汽车的尺寸，那么另一个轴就表示汽车的颜色。
所以，如果移动输入分布中的一个数据点，那么在潜在空间中也会有一个非常平滑的过渡。这样，一个类似于输入数据分布的新样本就产生了。
