何謂 Generative adversarial Networks(GANS) 生成式對抗網路?

「圖源自: Orielly Media」

前言

Generative adversarial Networks(GANs)又稱之為生成是對抗網路，主要是由兩個 CNN 所組合而成的神經網路, 其中有兩個組件，Generator 與 Discriminator。 GANs 就像是一組問答系統ㄧ樣，由 Generator 不斷去問問題，接著讓 Discriminator 回答問題。在原本的論文當中，是使用警察跟罪犯的關係作為類比。故事當中，罪犯不斷製造假鈔來欺騙警察的眼睛，每被識破一次，就會重新調整製造假鈔的技術，久而久之，就有辦法製造出足以欺騙能力不夠或是大多數警察的法眼。

應用範圍

GANs 因為具有自我學習的特性，最先拿來用在學習畫畫這件事情上面，讓 AI 本身學會怎麼繪製名畫家風格，例如：莫內, 畢卡索等，延伸應用還包括 Domain 轉換，例如把馬變成斑馬等。

圖源：https://arxiv.org/pdf/1703.10593.pdf

兩大組件介紹 Generator 與 Discriminator

[圖源來自: Orielly]

Generator

誠如一開始所言，Generator 就像是一個不斷想瞞過警方的假鈔製造者，他會先從全部都是雜訊的資料開始學習起來，慢慢的去找出符合的特徵值，而特徵值的學法語參數的調整，則來自 Discriminator 的回饋。實務上為反向的 CNN，輸入的資料一開始為 Random Noise。

Discriminator

Discriminator 就是負責驗證假鈔的警察，負責說這張假鈔的真偽。在架構中就變成回傳可用的參數給 Generator 了。實務上為常見的 CNN。

運作方式

圖源: https://towardsdatascience.com/generative-adversarial-networks-gans-a-beginners-guide-5b38eceece24

整體架構中的兩個組件在工作上是有次序性的

1. Discriminator 拿 50%真實資料和50%假資料來訓練，就如同經典的 CNN 一樣的訓練過程，在圖片中找尋 feature，每經過一次 epoch，辨識效果會越來越好。
2. 在經過一次訓練 Discriminator 之後，我們將 Discriminator 中的參數 Freeze 起來。
3. Generator 丟入 Random Noise，接著產出某張圖片，將之丟入 discriminator 中，同時將之標記為 True image，然後 gradient descent 後的結果回傳到 Generator。
4. 重複 1~3 步驟，即為整體 GANs 運作過程
5. 口訣：訓練哪邊, 就凍另一邊。

結論

GANs 就像是問答系統，亦敵亦友的概念，一個人負責蕾肖威，另一個則負責說這和不合理，這是一個 零和遊戲(zero-sum game)。