才 智, 魏为民, 孟繁星, 刘 畅

(上海电力大学 计算机科学与技术学院, 上海 200090)

深度学习是机器学习的分支,是一种以人工神经网络为架构,对资料进行表征学习的算法[1]。随着数据总量和硬件性能的不断提升,各种神经网络层出不穷,对人工智能技术的发展起到了一定的推动作用。2014年,GOODFELLOW I J等人[2]第一次提出了生成式对抗网络(Generative Adversarial Network,GAN),此后众多学者对其进行了研究,将生成式对抗网络应用于不同领域。

1 生成式对抗网络的原理

生成式对抗网络由生成器G(Generator)和判别器D(Discriminator)两种模型构成,均为多层感知器。它是基于博弈论中的零和博弈思想,通过生成器和判别器二者不断地博弈,进而达到纳什平衡的深度学习神经网络。作为一个具有“无限”生成能力的模型,GAN的直接应用就是建模,生成与真实数据分布一致的数据样本[3]。

生成器和判别器所用的网络通常由包含卷积层和完全连接层的神经网络实现。生成器和判别器必须是可微分的,但不必是直接可逆的[4]。生成器G根据输入的学习噪声,生成新的逼真图像;然后由判别器D对G生成的图像进行评价,根据评价结果,对G的参数进行调整,进而由G再生成新的图像;如此往复,最终生成符合要求的图像。生成式对抗网络工作流程如图1所示。

图1 生成式对抗网络工作流程

为了学习输入到生成器的数据x的分布pdt(x),即真实数据的分布情况,将噪声z输入给生成器G(一个可微函数),即用G(z)来表示数据空间的映射。判别器D输出一个标量D(x),表示x来自数据而不是pg(即生成的数据)的概率,其输出的值越大,代表生成的数据越真实。……