機器學習GAN框架初探

閆東杰

摘要：對于機器學習，最常見的是按照數據標簽形式劃分，可分為：監督學習、半監督學習、無監督學習、強化學習。本文分析研究了機器學習GAN框架。

關鍵詞：人工智能;機器學習;無監督學習

中圖分類號：TP181 文獻標識碼：A 文章編號：1007-9416（2019）06-0195-02

0 引言

對于原始的GAN網絡，實際上還是種生成模型，與傳統的生成模型不同的是，在對生成器進行訓練的過程中，引入判別器，并對判別器訓練更新后，再進行生成器的訓練，然后通過交替訓練，最終得到較為理想的生成器，“順便”得到一個判別能力較強的判別器。這樣，用一種巧妙的方法，較好解決了傳統生成式模型中模擬最大似然估計過程所帶來的需要訓練復雜模型的問題。CNN（卷積神經網絡）在圖片生成方面是一個較為成熟的模型，將CNN引入，對GAN框架中生成器與判別器進行對應的改造，得到的便為DCGAN（深度卷積生成式對抗網絡）。

1 原始GAN框架

GAN的一個基本的應用是樣本生成，這里以圖片為例進行相關的樣本生成，以此來介紹GAN框架的基本組成、模塊結構、訓練過程。原始GAN框架的整體模型結構如圖1所示。

GAN框架最主要的構成是生成器與判別器：（1）生成器。為全連接的神經網絡，即多層感知機。多層感知機的參數在GAN運行的初始階段是隨機的，其內部各神經元的權重、偏值，在程序化時可由初始函數進行實現。這就是說，在剛開始引入的時候，并不需要對生成網絡進行預先的訓練。其通過前向傳播，盡量去模仿、建模和學習真實數據的分布規律。……