【AI 人工智慧】GAN 類神經網路
閱讀時間約 2 分鐘
自從深度學習於2012年開始受到關注後，全世界有非常多的專家學者致力於改良它，也因此造就了許多的創新以及突破。今天我們就來談談深度學習近幾年來一個非常熱門的新主題”生成對抗網路”GAN（*），這是2014年由當時為蒙特婁大學博士生的Ian Goodfellow所提出之類神經網路。
首先，我們先來看看GAN到底有多麼的火熱呢？我們可以觀察到，自從GAN被提出來後，短短的幾年內，相關的論文累積總量已經高達兩百多篇以上，不只如此，Facebook AI 大師 Yann LeCun也曾說過”GAN及其變形是近十年最有趣的想法”(*)，可見GAN這陣子在深度學習領域裡真的是括起了一陣旋風阿！
那麼到底GAN的概念是什麼呢？我們先來用一個簡單的例子來比喻吧！假設有一款遊戲有兩種角色，一個是偽造者而另一個是警察，偽造者的目標就是要儘可能的去製造出越接近真實鈔票的假鈔並騙過警察，而警察的目的就是要能夠判斷出拿到的鈔票是否為真的鈔票。假設偽造者一直無法騙過警察，那麼他得不斷的改良以及修正製造偽鈔的技術，而相反的，如果警察一直被偽鈔所騙過，那麼我們必須改進警察辨識鈔票真偽的能力，藉由雙方不斷你來我往的反饋學習，最終我們將可得到一個足以以假亂真的偽造技術並以這個技術來產生偽鈔，這就是GAN。
上述雖然是以偽造者以及警察作為例子，但實際上這兩個角色在GAN裡面分別是兩個不同的類神經網路所組成，分別是生成模型（偽造者）以及判别模型（警察），藉由兩種模型互相學習，我們最終能產生出一個很厲害的生成模型，並自動生成我們想要的東西！
GAN常見的應用包含生成接近真實的假圖片、圖片風格轉換、影像壓縮等，此外，由於可以生成以假亂真的圖片，很多時候也可以拿來產生資料，這樣可以減少過去蒐集資料並標注所產生的勞力成本！
在未來，隨著GAN的技術越來越成熟，我相信會有更多元以及難以想像的應用被提出來，讓我們拭目以待吧！
- 生成對抗網路英文全名叫作Generative Adversarial Network（GAN）
- 原文為”This, and the variations that are now being proposed is the most interesting idea in the last 10 years in ML, in my opinion.”
＊本文由知名AI講師-Isaac Lee 李厚均所撰寫
文章轉載自我們共同經營的粉絲頁-小李談數智https://www.facebook.com/isaac60103
更多圖解內容可以到 耀西圖像視覺化教室看看https://www.facebook.com/YoshiGraphics
為什麼會看到廣告
11會員
33內容數
留言0
查看全部
你可能也想看
Google News 追蹤
徵的就是你 🫵 超ㄅㄧㄤˋ 獎品搭配超瞎趴的四大主題，等你踹共啦！還有機會獲得經典的「偉士牌樂高」喔！馬上來參加本次的活動吧！
隨著理財資訊的普及，越來越多台灣人不再將資產侷限於台股，而是將視野拓展到國際市場。特別是美國市場，其豐富的理財選擇，讓不少人開始思考將資金配置於海外市場的可能性。
然而，要參與美國市場並不只是盲目跟隨標的這麼簡單，而是需要策略和方式，尤其對新手而言，除了選股以外還會遇到語言、開戶流程、Ap
在利用深度學習的生成模型中，生成對抗網路 （Generative Adversarial Network, GAN）是研究應用方法最多的一種，許多人可能知道它是「讓兩個網路相互競爭來學習」的架構。
本文以烘焙蛋糕的過程來解釋生成對抗網路（GAN）的原理。生成器負責創造作品，如圖片、音樂或文字，而判別器則評估作品真實性與品質。兩者在不斷的對抗學習中進化，最終生成器能創造出超乎想像的真實內容，並具有廣泛應用，包括生成假照片、修復老照片、創作藝術作品及幫助產品設計等，展示了GAN技術的潛力與可能性。
本文參考TensorFlow官網Deep Convolutional Generative Adversarial Network的程式碼來加以實作說明。
示範如何使用深度卷積生成對抗網路(DCGAN) 生成手寫數位影像。
本文將延續上一篇文章，經由訓練好的GAN模型中的生成器來生成圖片
[深度學習][Python]訓練MLP的GAN模型來生成圖片_訓練篇
[深度學習][Python]訓練CNN的GAN模型來生成圖片_訓練篇
相較之下CNN的GAN生成的效果比較好，但模型也相對比較複雜，訓練時間花的也比較
延續上一篇訓練GAM模型，這次我們讓神經網路更多層更複雜一點，來看訓練生成的圖片是否效果會更好。
[深度學習][Python]訓練MLP的GAN模型來生成圖片_訓練篇
資料集分割處理的部分在延續上篇文章，從第五點開始後修改即可，前面都一樣
訓練過程，比較圖
是不是CNN的效果比MLP還要好，
本文主要介紹，如何利用GAN生成對抗網路來訓練生成圖片。
利用tensorflow，中的keras來建立生成器及鑑別器互相競爭訓練，最後利用訓練好的生成器來生成圖片。
GAN生成對抗網路的介紹
它由生成網路(Generator Network)和鑑別網路(Discriminator Netwo
這篇文章探討了生成式對抗網路中機率分佈的使用與相關的訓練方式，包括Generator不同的點、Distriminator的訓練過程、生成圖片的條件設定等。此外，也提到了GAN訓練的困難與解決方式以及不同的learning方式。文章內容豐富且詳細，涵蓋了GAN的各個相關面向。
現AI時代我們常見的生成影像是如何製作出來的，或許你已經開始熟悉AI“假臉”的風格。但由于現在網路上大量流傳的多數是以DALL-E或是Stable Diffiusion+幾個特定的LoRA所生成的結果。以至於人們越來越有識別真假照片的能力。但或許你不知道的是，早在幾年前純粹用GAN生成技術所產出的人
生成式AI（Generative AI）是近年來人工智慧領域中備受矚目的技術之一。它以機器學習為基礎，通過學習大量數據中的模式和關係，能夠生成各種新的內容，涵蓋文字、圖像、音訊等多個領域。本文將深入探討生成式AI的原理、優缺點以及應用範疇。
生成式人工智慧（AI）已成為當前科技領域的一大熱點，其能力不僅限於模擬人類智能，更能在多種非傳統計算任務中創造前所未有的內容。這篇文章將深入探討生成式AI的理論基礎、實際應用、代碼實踐，以及其商業應用、工具和公司等方面，提供一個全面的視角來了解這一迅速發展的領域。
徵的就是你 🫵 超ㄅㄧㄤˋ 獎品搭配超瞎趴的四大主題，等你踹共啦！還有機會獲得經典的「偉士牌樂高」喔！馬上來參加本次的活動吧！
隨著理財資訊的普及，越來越多台灣人不再將資產侷限於台股，而是將視野拓展到國際市場。特別是美國市場，其豐富的理財選擇，讓不少人開始思考將資金配置於海外市場的可能性。
然而，要參與美國市場並不只是盲目跟隨標的這麼簡單，而是需要策略和方式，尤其對新手而言，除了選股以外還會遇到語言、開戶流程、Ap
在利用深度學習的生成模型中，生成對抗網路 （Generative Adversarial Network, GAN）是研究應用方法最多的一種，許多人可能知道它是「讓兩個網路相互競爭來學習」的架構。
本文以烘焙蛋糕的過程來解釋生成對抗網路（GAN）的原理。生成器負責創造作品，如圖片、音樂或文字，而判別器則評估作品真實性與品質。兩者在不斷的對抗學習中進化，最終生成器能創造出超乎想像的真實內容，並具有廣泛應用，包括生成假照片、修復老照片、創作藝術作品及幫助產品設計等，展示了GAN技術的潛力與可能性。
本文參考TensorFlow官網Deep Convolutional Generative Adversarial Network的程式碼來加以實作說明。
示範如何使用深度卷積生成對抗網路(DCGAN) 生成手寫數位影像。
本文將延續上一篇文章，經由訓練好的GAN模型中的生成器來生成圖片
[深度學習][Python]訓練MLP的GAN模型來生成圖片_訓練篇
[深度學習][Python]訓練CNN的GAN模型來生成圖片_訓練篇
相較之下CNN的GAN生成的效果比較好，但模型也相對比較複雜，訓練時間花的也比較
延續上一篇訓練GAM模型，這次我們讓神經網路更多層更複雜一點，來看訓練生成的圖片是否效果會更好。
[深度學習][Python]訓練MLP的GAN模型來生成圖片_訓練篇
資料集分割處理的部分在延續上篇文章，從第五點開始後修改即可，前面都一樣
訓練過程，比較圖
是不是CNN的效果比MLP還要好，
本文主要介紹，如何利用GAN生成對抗網路來訓練生成圖片。
利用tensorflow，中的keras來建立生成器及鑑別器互相競爭訓練，最後利用訓練好的生成器來生成圖片。
GAN生成對抗網路的介紹
它由生成網路(Generator Network)和鑑別網路(Discriminator Netwo
這篇文章探討了生成式對抗網路中機率分佈的使用與相關的訓練方式，包括Generator不同的點、Distriminator的訓練過程、生成圖片的條件設定等。此外，也提到了GAN訓練的困難與解決方式以及不同的learning方式。文章內容豐富且詳細，涵蓋了GAN的各個相關面向。
現AI時代我們常見的生成影像是如何製作出來的，或許你已經開始熟悉AI“假臉”的風格。但由于現在網路上大量流傳的多數是以DALL-E或是Stable Diffiusion+幾個特定的LoRA所生成的結果。以至於人們越來越有識別真假照片的能力。但或許你不知道的是，早在幾年前純粹用GAN生成技術所產出的人
生成式AI（Generative AI）是近年來人工智慧領域中備受矚目的技術之一。它以機器學習為基礎，通過學習大量數據中的模式和關係，能夠生成各種新的內容，涵蓋文字、圖像、音訊等多個領域。本文將深入探討生成式AI的原理、優缺點以及應用範疇。
生成式人工智慧（AI）已成為當前科技領域的一大熱點，其能力不僅限於模擬人類智能，更能在多種非傳統計算任務中創造前所未有的內容。這篇文章將深入探討生成式AI的理論基礎、實際應用、代碼實踐，以及其商業應用、工具和公司等方面，提供一個全面的視角來了解這一迅速發展的領域。