生成对抗网络

2024-10-30 07:38:51 | 作者: 匿名

生成对抗网络（GAN）是一种由两个神经网络组成的架构，包括生成器和判别器。生成器的目标是产生尽可能接近真实数据分布的假数据，而鉴别器则试图将这些假数据与真实数据区分开来。在此过程中，生成器和判别器通过对抗性训练相互竞争，以提高生成数据的质量[1]。自2014 年推出以来，GAN 在许多领域展示了其强大的生成能力，特别是在图像和自然语言处理等领域[18]。

GAN的基本思想源于博弈论中的两人零和博弈。这样就可以有效地学习数据样本的潜在分布并生成新的数据样本[6]。这种独特的对抗性训练机制使GAN 能够出色地生成高质量、高分辨率的图像，这是其他基于优化的生成模型难以实现的[1]。

尽管GAN取得了显着的成功，但它们也面临着一些挑战，例如训练不稳定、模式崩溃以及判别器优于生成器的问题[15]。为了解决这些问题，研究人员提出了多种改进策略，例如引入Wasserstein 距离作为损失函数来平衡生成器和判别器之间的对抗[4]，或者通过结构化GAN（SGAN）来控制生成的样本语义来实现条件生成[12]。

GAN的应用范围非常广泛，从图像生成、风格迁移、图像翻译到文本和图像的相互生成，以及图像恢复和修复等，都展示了GAN的强大能力[20]。此外，GAN还用于提高网络入侵检测系统（NIDS）的攻击检测率[9]，并保护分类器免受对抗性攻击[5]。

随着研究的深入，GANs的理论基础也得到了进一步的讨论。例如，通过分析GAN 的动态行为，研究人员发现了导致训练不稳定的因素，例如判别器崩溃问题[10]。此外，还有研究从数学分析的角度探讨GAN的性能和训练问题[17]。

总之，生成对抗网络（GAN）作为一种革命性的生成模型，不仅在理论上提供了新的视角，而且在实际应用中表现出了巨大的潜力。尽管存在一些挑战，但通过不断的研究和改进，GAN 仍然是人工智能领域的一个重要研究方向[18]。

生成对抗网络（GAN）的最新改进策略是什么？

生成对抗网络（GAN）的最新改进策略主要包括以下几个方面：

1.感知损失函数：在SRGAN中，提出了感知损失函数，它由对抗性损失和内容损失组成。这种方法能够将解决方案推向接近自然图像流形，并通过经过训练的鉴别器网络区分超分辨率图像和原始真实感图像[31]。

2.条件生成对抗网络（Conditional GAN）：通过同时向生成器和判别器输入数据标签，可以实现基于类别标签的MNIST数字生成，以及图像标签生成的多模态模型学习[32]。

3.双时间尺度更新规则（TTUR）：TTUR为GAN提供了一种新的训练方法，其中生成器和判别器具有单独的学习率。该方法已被证明在某些条件下收敛于局部纳什均衡，并且在多个基准测试中表现良好[33]。

4.一致对抗训练（CAGAN）：通过dropout的方式引入一批从原始判别网络中采样的critic，CAGAN增强了GAN的训练过程，使不同critic之间的一致性得到提高，从而提高了生成样本的质量和稳定性[36]。

5.轻量级GAN（LiWGAN）：LiWGAN旨在通过引入新的跳层通道激励模块（SLE）和自监督判别器设计来减少计算时间，同时保持高质量图像生成能力。这种方法特别适合资源受限的设备，例如低功耗计算设备[37]。

6、基于仲裁机制的改进算法：该算法通过引入仲裁机制改进了DCGAN中的对抗训练过程，并使用Circle损失函数替代传统的BCE损失函数，提高模型训练的灵活性和收敛的清晰度状态。实验结果表明该算法在多个数据集上取得了良好的生成结果[40]。

GAN在图像生成和风格迁移领域有哪些应用案例？

生成对抗网络（GAN）在图像生成和风格迁移领域有着广泛的应用案例，涵盖从文本到图像的合成、艺术品生成、实例风格迁移、多样性图像生成、小样本图像风格转换等。方面。以下是一些具体的应用案例：

1. 文本到图像合成：StyleGAN-T模型是专门为满足大规模文本到图像合成的需求而设计的。通过改进GAN 的结构，该模型可以在保持样本质量和速度的同时实现快速大规模文本合成。图像合成[41]。

2. 艺术作品的生成：ARTEMIS方法使用GAN结合多个判别器来生成抽象艺术作品。该方法训练具有编码器-解码器结构的GAN，使其能够生成具有超现实和几何质量的图像[42]。

3.实例风格迁移：全卷积网络（FCN）和CycleGAN相结合的方法可以在保持目标对象外部元素不变的情况下实现图像的局部风格迁移。该方法通过语义分割确定风格迁移的目标，然后将风格迁移图像与目标进行匹配，实现局部风格迁移[43]。

4.多样化的图像生成：通过自条件GAN，可以无监督地训练类条件GAN模型，从而可以生成多样化的图像。这种方法通过从鉴别器的特征空间中自动发现多个模式并要求生成器覆盖这些模式来提高图像多样性[44]。

5.小样本图像风格迁移：采用改进的循环一致性对抗网络（CycleGAN）实现图像风格迁移。该方法用密集连接的卷积网络（DenseNet）（ResNet）代替原来网络生成器的深度残差网络，并使用相同的映射损失和感知损失组成的损失函数来提高生成图像的质量和稳定性。风格转移[45]。

6. 部分写实的漫画图像风格迁移：ExpressionGAN和SceneryGAN通过引入新技术和优化损失函数，解决了现有漫画生成对抗网络在图像迁移中存在的问题，如细节丢失严重、颜色失真等，并显着提高它提高了训练速度、漫画图像生成质量和图像的局部真实感[46]。

7.图像风格转换：UE-StarGAN模型通过引入U-Net和边缘损失函数，并在生成器中引入类别编码器，实现小样本中的图像风格转换。该方法可以提取更精细的特征，在小样本情况下具有一定的优势[48]。

8.多类别车辆损伤图像生成：基于小样本StyleGAN的方法可以有效处理小样本、样本多样性高的条件StyleGAN生成方法，解决了传统方法因样本较少而导致的模型不收敛的问题，并通过数值实验证明了其在下游图像分类任务上的有效性[49]。

如何解决生成对抗网络的训练不稳定和模式崩溃问题？

为了解决生成对抗网络（GAN）的训练不稳定和模式崩溃问题，可以采用多种策略。结合我查到的资料，我们可以总结出以下几种方法：

1.正则化技术：通过引入正则化技术来稳定GAN的训练过程。例如，可以采用计算成本较低的新正则化方法来克服维度不匹配的问题或支持模型分布与数据分布之间的不重叠，从而实现稳定的GAN训练过程[51]。

2.使用噪声：GAN是通过将任意分布的样本添加到真实和生成的数据分布中来训练的，这有助于扩展两个分布的支持，从而解决有限支持问题。该方法可以通过学习这些样本的生成来挑战判别器，从而在对抗训练中发挥作用[53]。

3.持续学习技术：利用持续学习技术来增强判别器并保持其识别先前生成器样本的能力。这有助于解决生成器分布演化问题和神经网络的灾难性遗忘倾向，从而减少模式崩溃和振荡现象[55]。

4.动态模型调整：通过用输出空间中的粒子集合替换生成器神经网络并通过有效核耦合粒子来捕获GAN训练的学习动态。这种方法可以帮助了解模式崩溃发生的条件，并通过适当的梯度正则器优化收敛，通过临界阻尼控制发电机动力学[56]。

5.批量归一化：批量归一化可以加速深度网络训练，并通过减少内部协变量漂移来解决训练过程中的问题。这种方法允许使用更高的学习率，初始化要求不太严格，有时甚至不需要Dropout [59]。

6.对抗训练的算法稳定性：考虑到对抗训练的不可微性问题严重影响算法的稳定性，可以通过注入噪声来提高对抗训练的稳定性表现。这种方法有助于避免不可微性的发生，从而提高训练的稳定性[58]。

生成对抗网络在网络入侵检测系统中的应用研究进展如何？

生成对抗网络（GAN）在网络入侵检测系统中应用的研究进展主要体现在以下几个方面：

1.数据生成和训练改进：传统的入侵检测系统依赖大量的标记数据进行训练，但在实际的网络环境中，异常数据往往比正常数据更难获取。通过使用GAN，可以利用现有的正常数据生成足够的异常样本来扩展训练集，提高模型的泛化能力和检测性能[61][65]。

2、增强模型的鲁棒性：GAN可以生成高质量的虚假数据，可以用来模拟攻击者的行为，从而帮助入侵检测系统识别和防御新的或未知的攻击方式。该方法不仅可以提高检测率，还可以降低误报率[62][64]。

3、解决数据不平衡问题：很多情况下，网络入侵数据相对于正常数据是稀缺的。 GAN可以通过生成大量的正态数据来平衡训练集中的数据分布，从而提高少数类别（例如攻击行为）的检测效果[63][67]。

4.提高实时性能和效率：GAN模型可以快速生成大量数据，使得入侵检测系统能够实时响应网络流量的变化，及时发现和处理潜在的安全威胁。此外，通过优化GAN结构，如引入空洞卷积等技术，可以进一步提高模型的计算效率和检测性能[65]。

5.应用场景多样：除了基本的入侵检测之外，GAN还可以用于生成对抗样本来测试和评估入侵检测系统的性能，以及开发新的入侵检测算法和策略。这些研究不仅有助于理解和改进现有的入侵检测技术，而且还为未来可能出现的新攻击提供预防措施[60][66]。

GAN的理论基础和数学分析的最新研究成果有哪些？

生成对抗网络（GAN）的理论基础和数学分析的最新研究成果涵盖了算法的数值分析、模型评估指标、理论性质的讨论以及GAN在不同领域的应用等多个方面。

1.算法的数值分析：2017年的研究采用了平滑的两人博弈形式来分析与GAN训练目标相关的梯度向量场，发现当前算法的收敛性受到特征值问题的影响，包括雅可比行列式矩阵。特征值的实部为零，虚部较大。基于这些发现，设计了一种新算法来克服一些限制并具有更好的收敛特性[68]。

2.模型的评估指标：2017年的另一项研究通过大规模实证研究发现，大多数模型在充分的超参数优化和随机重启后都可以达到相似的分数，这表明改进可以来自于更高的计算预算的变化而不是底层算法。这项研究还提出了几个可以计算精度和召回率的数据集，以克服当前指标的一些限制[69]。

3.理论属性的讨论：2018年的研究通过分析GAN背后的对抗原理与Jensen-Shannon散度之间的深层联系以及问题的一些最优属性，提供了对GAN更好的理论理解。此外，从统计角度研究了估计分布的大样本特性，并证明了中心极限定理的一些结果[70]。

4. GAN 在不同领域的应用：2021 年的评论文章探讨了GAN 及其变体在多个领域的应用，包括医学和遥感等科学活动，以及金融、营销和时尚设计等商业领域。本文全面概述了GAN 在不同领域的应用潜力[74]。

5. GAN 的新进展：2020 年的研究提出了InterFaceGAN 框架，用于解释最先进的GAN 模型学习到的解耦面部表示，并研究潜在空间中编码的面部语义属性。这项工作通过子空间投影进一步解耦这些语义，从而实现更精确的属性操作[75]。

6. GAN 的理论发展：这篇2023 年的评论文章总结了GAN 的最新理论发展，探讨了GAN 背后的对抗原理与Jensen-Shannon 散度之间的深刻联系，并讨论了GAN 框架的一些最优属性。此外，还评估了不同GAN 变体及其模型架构的效率，以及训练障碍和解决方案[73]。

GANs理论基础和数学分析的最新研究成果不仅涉及算法的改进和优化，还包括模型评估指标的讨论、理论特性的深入分析以及在多个领域的广泛应用。

相关人士

角色名称

概述

类型

Adam 算法开发人员

提出了一种基于梯度下降的随机目标函数优化算法Adam，适用于大规模数据和参数问题。

科学家/研究员

参考

1. I. Goodfellow，Jean Pouget-Abadie 等人。 “生成对抗网络。” ACM 通讯(2014)。

2.何凯明，张X，等。 “用于图像识别的深度残差学习。”计算机视觉与模式识别（2015）。

3. 迪德里克·P·金马(Diederik P. Kingma)，吉米·巴(Jimmy Ba)。 “Adam: 随机优化方法。”国际学习表征会议（2014）。

4. 大卫·贝特洛特、汤姆·舒姆等人。 “BEGAN: 边界平衡生成对抗网络。” arXiv.org（2017）。

5.Pouya Samangouei、Maya Kabkab 等人。 “Defense-GAN: 使用生成模型保护分类器免受对抗性攻击。”国际学习表征会议（2018）。

6. 王坤峰，苟超，段彦杰，等.生成对抗网络GAN的研究进展与展望[J].自动机学报，2017，43(03):321-332。

7.K.西蒙尼安，安德鲁·齐瑟曼。 “用于大规模图像识别的非常深的卷积网络。”国际学习表征会议（2014）。

8. 安东尼娅·克雷斯韦尔和A.巴拉斯。 “反转生成对抗网络的生成器。” IEEE 神经网络和学习系统汇刊(2016)。 1967-1974。

9. Jrmy Charlier、Aman Singh 等人。 “SynGAN: 使用GAN 生成合成网络攻击。” arXiv.org（2019）。

10. Jerry Li、A. Madry 等人。 “了解生成对抗网络的动态。” arXiv.org（2017）。

11.赛夫丁·希塔瓦拉。 “生成对抗网络的比较研究。” arXiv.org（2018）。

12. 邓志杰，张华等。 “结构化生成对抗网络。”神经信息处理系统（2017）。

13. 阿尔塞乌·比索托(Alceu Bissoto)、爱德华多·瓦莱(Eduardo Valle) 等人。 “生成对抗网络的六个方面。” arXiv.org（2019）。

生成对抗网络

14.胡海龙和庞军。 “生成对抗网络的模型提取和防御。” arXiv.org（2021）。

15.朱邦华，焦建涛等。 “解构生成对抗网络。” IEEE 信息论汇刊(2019)。 7155-7179。

16. 阿卜杜拉·哈姆迪和伯纳德·加内姆。 “IAN: 结合生成对抗网络来生成富有想象力的面孔。” arXiv.org（2019）。

17.曹浩阳，郭鑫。 “生成对抗网络：的一些分析观点。” arXiv.org（2021）。

18.人工智能研究新前沿：生成对抗网络[2018-05-15]

19.刘宣清和谢卓瑞。 “从对抗训练到生成对抗网络。” arXiv.org（2018）。

20. 生成对抗网络及其计算机视觉应用研究综述[2018-10-16]

21.扎卡里·波利齐和蔡传勇。 “FusedProp: 迈向生成对抗网络的高效训练。” arXiv.org（2020）。

22.L.维尼奥。 “IGAN: 推理和生成对抗网络。” arXiv.org（2021）。

23.刘发强，徐明等。 “桥接对抗样本和对抗网络。” arXiv.org（2019）。

24.生成对抗网络在各领域应用的研究进展[2019-06-25]

25. 王昆峰，左旺猛，谭颖等。生成对抗网络：从生成数据到创造智能[J]。自动化学报，2018，44(05):769-774。

26.生成对抗网络研究综述[2019-03-15]

27. C. Little、M. Elliot 等人。 “用于合成数据生成的生成对抗网络：一项比较研究。” arXiv.org（2021）。

28. 宋克辉，张颖，张江伟，等。基于生成对抗网络的结构化数据表生成模型[J]。计算机研究与发展，2019，56(09):1832-1842。

29. 谭宏伟，王国栋，周林勇，等。基于条件熵距离惩罚的生成对抗网络[J]。软件学报，2021，32(04):1116-1128。

30. 张宏伦，肖立强等。 “通过对手和合作者生成战争Nets: 整体。”人工智能国际联合会议（2018）。

31. C. Ledig、卢卡斯·泰斯等人。 “使用生成对抗网络实现逼真的单图像超分辨率。”计算机视觉与模式识别（2016）。

32.迈赫迪·米尔扎，西蒙·奥辛德罗。 “条件生成对抗网络。” arXiv.org（2014）。

33. M. Heusel、Hubert Ramsauer 等人。 “通过两个时间尺度更新规则训练的GAN 收敛到局部纳什均衡。”神经信息处理系统（2017）。

34. 潘肇庆，余伟杰等。 “生成对抗网络(GAN): 的最新进展调查。” IEEE 访问（2019）。 36322-36333。

35. Ashish Vaswani、Noam M. Shazeer 等人。 “你所需要的就是注意力。”神经信息处理系统（2017）。

36. 姚妮，宋丹丹等。 “CAGAN: 一致对抗训练增强型GAN。”人工智能国际联合会议（2018）。

37. Nurul Amirah Mashudi、N. Ahmad 等人。 “LiWGAN: 一种提高生成对抗网络性能的轻型方法。” IEEE 访问（2022）。 93155-93167。

38. 亚历克·雷德福德、卢克·梅茨等人。 “具有深度的无监督表示学习

Convolutional Generative Adversarial Networks.” International Conference on Learning Representations(2015). 39. Yann LeCun, Yoshua Bengio et al. “Deep Learning.” Nature(2015). 40. 谌贵辉,刘会康,李忠兵等.基于仲裁机制的生成对抗网络改进算法[J].计算机应用,2021,41(11):3185-3191. 41. Axel Sauer, Tero Karras et al. “StyleGAN-T: Unlocking the Power of GANs for Fast Large-Scale Text-to-Image Synthesis.” International Conference on Machine Learning (2023). 42. James Baker. “ARTEMIS: Using GANs with Multiple Discriminators to Generate Art.” arXiv.org (2023). 43. 刘哲良,朱玮,袁梓洋.结合全卷积网络与CycleGAN的图像实例风格迁移[J].中国图象图形学报,2019,24(08):1283-1291. 44. Steven Liu, Tongzhou Wang et al. “Diverse Image Generation via Self-Conditioned GANs.” Computer Vision and Pattern Recognition (2020). 14274-14283. 45. 杜振龙,沈海洋,宋国美等.基于改进CycleGAN的图像风格迁移[J].光学精密工程,2019,27(08):1836-1844. 46. 孙天鹏,周宁宁,黄国方.新的基于GAN的局部写实感漫画图像风格迁移[J].计算机工程与应用,2022,58(14):167-176. 47. Giorgia Adorni, Felix Boelter et al. “Investigating GANsformer: A Replication Study of a State-of-the-Art Image Generation Model.” arXiv.org (2023). 48. 许新征,常建英,丁世飞.基于StarGAN和类别编码器的图像风格转换[J].软件学报,2022,33(04):1516-1526. 49. 丁锴,杨佳熹,杨耀等.基于小样本StyleGAN的多类别车损图像生成方法[J/OL].计算机工程与应用:1-11[2023-04-14].http://kns.cnki.net/kcms/detail/11.2127.TP.20221229.1305.004.html. 50. Shirin Nasr Esfahani and S. Latifi. “Image Generation with Gans-based Techniques: A Survey.” International Journal of Computer Science & Information Technology (IJCSIT) (2019). 51. Kevin Roth, Aurélien Lucchi et al. “Stabilizing Training of Generative Adversarial Networks through Regularization.” Neural Information Processing Systems (2017). 52. I. Goodfellow, Jonathon Shlens et al. “Explaining and Harnessing Adversarial Examples.” International Conference on Learning Representations(2014). 53. S. Jenni and P. Favaro. “On Stabilizing Generative Adversarial Training With Noise.” Computer Vision and Pattern Recognition (2019). 12137-12145. 54. Maciej Wiatrak and Stefano V. Albrecht. “Stabilizing Generative Adversarial Network Training: A Survey.” arXiv.org (2019). 55. Kevin J Liang, Chunyuan Li et al. “Generative Adversarial Network Training is a Continual Learning Problem.” arXiv.org (2018). 56. S. Durr, Youssef Mroueh et al. “Effective Dynamics of Generative Adversarial Networks.” Physical Review X (2022). 57. A. Madry, Aleksandar Makelov et al. “Towards Deep Learning Models Resistant to Adversarial Attacks.” International Conference on Learning Representations(2017). 58. Yue Xing, Qifan Song et al. “On the Algorithmic Stability of Adversarial Training.” Neural Information Processing Systems (2021). 59. Sergey Ioffe, Christian Szegedy. “Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift.” International Conference on Machine Learning(2015). 60. Andrei-Grigore Mari, Daniel Zinca et al. “Development of a Machine-Learning Intrusion Detection System and Testing of Its Performance Using a Generative Adversarial Network.” Italian National Conference on Sensors (2023). 61. 陈阳,王怀彬.基于生成对抗网络的网络入侵检测系统[J].天津理工大学学报,2021,37(03):25-29. 62. 杨杰,赵俊杰,张国兴.一种基于生成式对抗网络的入侵检测系统攻击方法[J].科学技术创新,2022(19):80-83. 63. 李振. 生成式对抗网络在入侵检测中的研究与应用[D].南昌大学,2020. 64. 刘宇轩. 基于生成对抗网络的入侵检测技术研究[D].北京邮电大学,2023. 65. 陈阳. 基于生成对抗网络的网络入侵检测研究[D].天津理工大学,2021. 66. Phillip Isola, Jun-Yan Zhu et al. “Image-to-Image Translation with Conditional Adversarial Networks.” Computer Vision and Pattern Recognition(2016). 67. 杨焱青. 基于深度生成模型的网络攻击检测技术研究[D].北京邮电大学,2021. 68. L. Mescheder, Sebastian Nowozin et al. “The Numerics of GANs.” Neural Information Processing Systems (2017). 69. Mario Lucic, Karol Kurach et al. “Are GANs Created Equal? A Large-Scale Study.” Neural Information Processing Systems (2017). 70. G. Biau, B. Cadre et al. “Some Theoretical Properties of GANs.” Annals of Statistics (2018). 71. Pegah Salehi, A. Chalechale et al. “Generative Adversarial Networks (GANs): An Overview of Theoretical Model, Evaluation Metrics, and Recent Developments.” arXiv.org (2020). 72. Yunus Saatci and A. Wilson. “Bayesian GANs.” Neural Information Processing Systems (2017). 73. Tanujit Chakraborty, Ujjwal Reddy K S et al. “Ten Years of Generative Adversarial Nets (GANs): A survey of the state-of-the-art.” Machine Learning: Science and Technology (2023). 74. Ankan Dash, J. Ye et al. “A review of Generative Adversarial Networks (GANs) and its applications in a wide variety of disciplines - From Medical to Remote Sensing.” IEEE Access (2021). 75. Yujun Shen, Ceyuan Yang et al. “InterFaceGAN: Interpreting the Disentangled Face Representation Learned by GANs.” IEEE Transactions on Pattern Analysis and Machine Intelligence (2020). 2004-2018. 76. S. Feizi, Changho Suh et al. “Understanding GANs: the LQG Setting.” arXiv.org (2017). 77. R. Groß, Yue Gu et al. “Generalizing GANs: A Turing Perspective.” Neural Information Processing Systems (2017).

用户评论

我就是这样一个人

哇，最近对这个生成对抗网络挺感兴趣的，但是感觉学起来有点复杂啊，有没有大佬能简单介绍一下？

有11位网友表示赞同！

漫长の人生

生成对抗网络听起来很高级，不知道在哪些领域有应用呢？能分享一下吗？

有5位网友表示赞同！

颓废人士

我一直觉得GAN（生成对抗网络）是个很有趣的技术，能创造出那么多酷炫的图片和视频，真是太神奇了！

有8位网友表示赞同！

身影

看了那么多关于GAN的文章，感觉理论挺复杂的，实操起来更难，有没有人能分享一些实战经验？

有7位网友表示赞同！

歆久

生成对抗网络的应用真的很广泛啊，从艺术创作到数据增强，感觉未来会有更多可能性。

有13位网友表示赞同！

雪花ミ飞舞

学GAN的过程中，发现很多文章都在说对抗性和生成性，这两个概念到底有什么区别呢？

有12位网友表示赞同！

半梦半醒半疯癫

GAN在图像处理上的表现真的很惊艳，但是我在训练的时候总是过拟合，有同感的吗？

有14位网友表示赞同！

孤岛晴空

听说GAN在自然语言处理上也有应用，这是真的吗？能详细讲讲吗？

有7位网友表示赞同！

败类

生成对抗网络在隐私保护方面也有应用，比如生成合成数据，这个领域好有意思啊。

有5位网友表示赞同！

各自安好ぃ

最近看到一些GAN在医疗图像分析上的应用，感觉这个技术未来在医疗领域会有很大的帮助。

有15位网友表示赞同！

夏以乔木

学GAN的过程中，发现很多论文都在提新的损失函数，这到底是为了什么？

有8位网友表示赞同！

不相忘

生成对抗网络这么火，但是感觉现在的应用还比较初级，不知道未来会发展到什么程度。

有15位网友表示赞同！

灵魂摆渡人

看到有人用GAN来生成音乐，这个应用真是太酷了，有没有人尝试过？

有8位网友表示赞同！

灼痛

听说GAN在强化学习领域也有应用，这个领域的前景怎么样？

有9位网友表示赞同！

灬一抹丶苍白

生成对抗网络这么强大，但是感觉它也存在一些局限性，比如训练不稳定，有解决办法吗？

有19位网友表示赞同！

↘▂_倥絔

看到一些GAN在视频生成上的应用，感觉未来可能会有更多基于视频的娱乐内容。

有13位网友表示赞同！

那伤。眞美

学GAN的过程中，发现很多人都在用TensorFlow和PyTorch，这两个框架各有特点，有推荐哪个的吗？

有11位网友表示赞同！

孤独症

生成对抗网络的确很强大，但是感觉它也需要更多的计算资源，这对普通用户来说是个挑战。

有17位网友表示赞同！

娇眉恨

对于初学者来说，GAN确实有点难懂，但是一旦掌握了，感觉前景无限啊。

有7位网友表示赞同！

体育足球

生成对抗网络

用户评论

相关视频