生成式对抗网络(Generative adversarial networks, gan)是一种用于生成合成图像的深度神经网络。该体系结构由两个深度神经网络组成，一个生成器和一个鉴别器，它们相互作用(因此，“对抗的”)。生成器生成新的数据实例，而鉴别器评估数据的真实性，并决定每个数据实例是来自训练数据集的“真实”，还是来自生成器的“虚假”。
在一起，生成器和鉴别器被训练互相对抗，直到生成器能够创造出鉴别器再也不能确定是假的真实合成数据。训练成功后，生成器产生的数据可用于创建新的合成数据，作为其他深度神经网络的输入。
gan是通用的，因为它们可以学习生成任何数据类型的新实例，比如合成的人脸图像、特定风格的新歌或特定类型的文本。
训练一个甘
通过一个创建货币合成图像的示例，让我们了解GAN架构的具体部分和功能。
- 噪声输入发电机。由于发电机还没有经过训练，输出在一开始看起来就像噪音。
- 训练数据和发生器的输出被发送到鉴频器，鉴频器正在被并行训练，以识别真实/虚假图像。鉴别器在开始时的输出将不是非常准确，因为这部分网络也在训练中，准确性将随着时间的推移而提高。
- 反馈:鉴频器的输出可以反馈给生成器和鉴频器，生成器和鉴频器可以利用这些信息更新参数，尝试提高精度。
当显示真实数据集的实例时，鉴别器的目标是识别那些真实的图像。与此同时，生成器正在生成新的合成图像，并将其传递给鉴别器。它这样做是希望它们也会被认为是真实的，即使它们是假的。生成器的目标是生成可通过的图像:说谎而不被抓住。鉴别器的目标是识别来自发生器的图像是假的。
MATLAB®和深度学习工具箱™让您使用自动区分来构建GANs网络架构，自定义训练循环，共享重量。
生成式对抗网络的应用
笔迹代:与图像示例一样，gan用于创建合成数据。这可以用来补充更小的数据集，这些数据集需要更多的数据示例，以训练准确的深度学习模型。一个例子是笔迹检测:为了在笔迹上训练一个深度神经网络，需要成千上万的训练数据样本，而手工收集这些数据可能是时间密集型的。
使用gan合成手写生成。
场景一代:条件GAN是一种利用标签的特定类型的GAN，而原始GAN不假设标签将会出现。条件gan可用于场景生成等应用程序中，其中信息必须有一定的组织。以自动驾驶场景生成为例。道路和人行道必须位于建筑物和天空之下。在自动驾驶应用程序中，为本例创建的合成图像如果不符合道路的位置，将立即被判定为虚假和不可使用。
使用条件gan进行图像到图像的转换(pix2pix)。
音频和语音应用gan还用于文本到语音合成、语音转换和语音增强等应用。gan提供了与传统音频和语音实现相比的显著优势，因为它们可以生成新的样本，而不是简单地增加现有信号。gan用于声音合成的一个例子是创建合成版本的鼓声:训练生成对抗网络(GAN)进行声音合成
注意:gan可以强大地生成用于许多应用的新的合成数据，但由于可能发生许多故障模式，通常很难得到准确的结果。MATLAB可以让你监控GAN培训进度，识别常见故障模式．
