《深度学习》课件——第5章生成对抗网络.pptx

第五章生成对抗网络;;生成方法通过观测数据学习样本的联合概率分布P(X,Y)，即生成模型，能够生成符合样本分布的新数据。

生成模型在无监督深度学习方面占据主要位置，可以用于在没有目标类标签信息的情况下捕捉观测到或可见数据的高阶相关性。

判别方法由数据直接学习决策函数f(X)或者条件概率分布P(Y|X)作为预测的模型，即判别模型。

判别方法关心的是对给定的输入X，应该预测什么样的输出Y。

;有监督学习经常比无监督学习获得更好的模型。

但是有监督学习需要大量的标注数据，从长远看无监督学习更有发展前景。

;但是支持无监督学习的生成式模型遇到两大困难：

首先是人们需要大量的先验知识去对真实世界进行建模，而建模的好坏直接影响着我们的生成模型的表现。

真实世界的数据往往很复杂，人们要用来拟合模型的计算量往往非常庞大，甚至难以承受。

;2014年，生成对抗网络（GenerativeAdversarialNetworks，GAN）由当时还在蒙特利尔读博士的IanGoodfellow（导师Bengio）提出。

2017年入选“MIT评论35岁以下创新人物”。

2016年，GAN热潮席卷AI领域顶级会议，从ICLR到NIPS，大量高质量论文被发表和探讨。

;;零和博弈;零和博弈;零和博弈;GAN的基本结构;GAN的基本结构;GAN的基本结构;GAN的目标函数;GAN的目标函数;GAN的训练;