生成对抗 （GAN）是由两个相互竞争的 组成的深度神经 架构。
2014年，Lan Goodfellow和蒙特利尔大学包括Yoshua Bengio在内的其它研究人员在论文中介绍了生成对抗 。Facebook的AI研究主管Yann LeCun称对抗训练是“近10年来最有趣的机器学习（ML）”
生成对抗 具有很大的潜力，因为它们可以学习模拟任何数据的分布。换句话说，在任何领域，我们都可以教生成对抗 创造出与我们类似的世界：图像，音乐，演说，散文。从某种意义上来说，它们是机器人艺术家，能够创造出令人印象深刻甚至是伤感的东西。
生成算法和判别算法
为了理解生成对抗 ，首先应该了解生成算法的是如何工作的，为此，现将生成算法和判别算法进行对比以便更好的理解。判别算法试图对输入数据进行分类：即给定一个数据实例的特征，来预测该数据所属的标注或类别。
例如：给定一封电子邮件的所有单词，判别算法能够预测该邮件是否为垃圾邮件。垃圾邮件是其中的一种标注，从邮件中收集到的单词则构成了输入数据的特征。用数学表达式表述这一问题，y表示标注，x表示特征，公式p（y｜x）表示“给定x，y的概率”，则该事件可描述为“给定邮件中所包含的单词，邮件为垃圾邮件的概率”。因此，判别算法将特征映射到标注，只关注二者之间的相关性。
一种理解生成算法的方式是，生成算法做相反的事情。生成算法并不预测给定特征的标注，而是试图预测给定标注的特征。
生成算法试图解决的问题是：假设这封电子邮件为垃圾邮件，它的特征可能是什么？判别模型关注y和x之间的关系，而生成模型关注的是如何得到x。这允许你得到p（x｜y），即给定y，x的概率或给定一个类，特征的概率。（也就是说，生成算法可用作分类器，只不过它不仅仅只是对输入数据进行分类）。
另一种区分判别模型和生成模型的理解方式是：判别模型学习类间的边界，而生成模型模拟各个类的分布。
生成对抗 是如何运行的？
生成器，是一个用来生成新的数据实例的神经 ；判别器，则是用来评估其真实性的神经 。即判别器决定它所检验的每个数据实例是否属于实际的训练数据集。
比方说，我们试图做一些比仿制蒙娜丽莎更平庸的工作。我们从现实世界中获取并生成那些类似在MINST数据集中发现的手写数字，当显示来自真实MINST数据集中的实例时，判别器将其识别为可信。
同时，生成器创建传送给判别器的新图像。即便这是假的，我们也视为将其视为真。生成器的目标是生成像样的手写数字，假装不会被发现。判别器的目标是识别生成器中的图像是假的。
生成对抗 的运行步骤如下：
1.生成器输入一系列随机数字并返回一张图像。
2.将生成的图像和真实数据集中的图像流一起送入判别器。
3.判别器接受真实图像和假图像，并返回概率值，范围是0～1之间的数字，其中1表示真实性的预测，0表示假的预测。
因此，得到一个双反馈回路：判别器在包含图像真相的反馈回路中；发生器在在判别器的反馈回路中。
你可以将生成对抗 想象成一个伪造者和一个警察在猫和老鼠游戏中的组合，在这里，伪造者正在学习虚假注释，警察正在学习检测他们。二者都是动态的，也就是说警察也在训练中，并且每一方都在不断升级中学习对方的 。
判别器 是一个可对输入图像进行分类的标准卷积 ——将图像标记为真或假的一个二值分类器。从某种意义上来说，生成器是一个反向卷积 ：标准卷积分类器获取一张图像，采样并输出概率，而生成器则获取随机噪声矢量并将其上采样到一张图像中。前者使用maxpooling这样的下采样技术扔掉数据，后者生成新的数据。
两个 都试图在零和博奕中优化一个不同且对立的目标函数，或者是损失函数。它本质上就是一个演员－评论模型。随着判别器改变行为，生成器也随之改变，反之亦然。他们的损耗也相互抗衡。
生成对抗 ：自动编码器和变分自编码器（VAE）
自动编码器将输入数据编码为矢量，创建一个隐藏或压缩的原始数据representation，主要用于降维。也就是说，用作隐藏representation的矢量将原始数据压缩为一个较小的主要纬度。自动编码器可以和解码器配对，可根据其隐藏representation重建输入数据，这和受限玻尔兹曼机相同。
变分自编码器是生成算法，在对输入数据编码的过程中增加了额外约束，即将隐藏表示进行标准化。变分自编码器既可以像自动编码器一样压缩数据，又可以像生成对抗 那样合成数据。然而当生成对抗 生成细节数据时，变分自编码器生成的图像往往更加模糊。Deeplearning4j’s包中包括自动编码器和变分自编码器。
生成算法可分为以下三种类型：
1.给定一个标注，预测相关的特征（朴素贝叶斯）。
2.给定一个隐藏表示，预测相关特征（变分自编码器，生成对抗 ）。
3.给定一些特征，预测其余特征（图像修复，图像插补）。
训练生成对抗 的技巧
训练判别器时，保持生成器的值不变；训练生成器时，则保持判别器不变。比如：这可以让生成器更好的读取它必须学习的梯度变化。同样的道理，在开始训练生成器前，对用于MINST数据集的判别器先进行预训练，可以建立一个更佳清晰的梯度。
生成对抗 的每一方都可以压制另一方。若判别器太好，返回接近0或1的值，发生器将难以读取梯度；若生成器太好，它将不断利用判别器的弱点导致漏报。这可以通过各自的学习率来减轻这种压制。
注意： Maven 上的Deeplearning4j’s最新版本不包括生成对抗 ，但很快就可以通过自动分化和模型导入来构建和使用，目前这些都可以在Github上额主存储库中获得。
