生成对抗网络(GANs)是一种用于生成合成图像的深度神经网络。该架构包括两个深度神经网络，一个生成器和一个鉴别器，它们相互对抗(因此是“对抗性”)。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“假”。
在一起，生成器和鉴别器被训练成相互对抗，直到生成器能够创建真实的合成数据，鉴别器再也不能确定是假的。成功训练后，生成器产生的数据可以用来创建新的合成数据，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，例如人脸的合成图像、某种风格的新歌或特定类型的文本。
训练GAN
通过一个创建货币合成图像的示例，让我们了解GAN架构的特定部分和功能。
- 噪声被送入发电机。因为生成器还没有被训练，所以输出在一开始看起来像噪音。
- 训练数据和生成器的输出被发送到鉴别器，鉴别器被并行训练以识别真假图像。鉴别器一开始的输出不会很准确，因为网络的这一部分也在训练中，而且准确度会随着时间的推移而提高。
- 反馈:鉴别器的输出可以反馈给发生器和鉴别器，鉴别器可以利用这些信息更新参数并尝试提高精度。
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:撒谎而不被发现。鉴别器的目标是将来自生成器的图像识别为假图像。
MATLAB®和深度学习工具箱™让你用自动分化构建gan网络架构，自定义训练循环，以及共享权重。
生成对抗网络的应用
笔迹代与图像示例一样，gan用于创建合成数据。这可以用来补充较小的数据集，这些数据集需要更多的数据示例，以便训练准确的深度学习模型。一个例子是手写检测:为了训练一个关于手写的深度神经网络，需要成千上万的训练数据样本，而手动收集这些数据可能会耗费大量时间。
使用gan生成合成笔迹。
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不假设标签将存在。条件gan可用于场景生成等应用，在这些应用中，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。为本示例创建的合成图像如果不符合道路位置，将立即被确定为虚假图像，无法在自动驾驶应用程序中使用。
使用条件gan的图像到图像转换(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。与传统的音频和语音实现相比，gan具有显著的优势，因为它们可以生成新的样本，而不是简单地增强现有信号。gan用于声音合成的一个例子是创造合成版本的鼓声:训练生成对抗网络(GAN)用于声音合成
注意:gan在生成用于许多应用的新合成数据方面功能强大，但由于可能发生许多故障模式，通常很难获得准确的结果。MATLAB可以让你监控GAN训练进度，识别常见故障模式．
