生成对抗网络（GAN）

生成对抗网络（GAN）是一种用于生成合成图像的深神经网络。该体系结构包括两个深神经网络，一个发电机和一个歧视者，它们相互对抗（因此，“对抗性”）。生成器生成新的数据实例，而鉴别器则评估数据的真实性，并决定数据的每个实例是从培训数据集中“真实”的，还是从发电机中“假”。

共同培训生成器和鉴别器相互对抗，直到生成器能够创建鉴别器无法确定的现实合成数据，这是假的。成功培训后，发电机生成的数据可用于创建新的合成数据，以便将其用作其他深神经网络的输入。

甘斯（Gans）具有多功能性，因为他们可以学会生成任何数据类型的新实例，例如面部的合成图像，以某种样式的新歌或特定类型的文本。

训练一个甘

使用创建货币合成图像的示例，让我们浏览GAN体系结构的特定部分和功能。

1. 噪声被馈入发电机。由于尚未培训发电机，因此一开始的输出看起来像噪音。

2. 训练数据和发电机的输出将发送到歧视器，该鉴定器正在并行训练以识别真实/假图像。一开始，判别器的输出并不十分准确，因为网络的这一部分也接受了训练，并且准确性会随着时间的推移而提高。

3. 反馈：歧视器的输出可以回到发电机和鉴别器，可以使用此信息来更新参数并尝试提高准确性。

当从真实数据集中显示一个实例时，该歧视器的目标是识别那些真实的图像。同时，发电机正在创建新的合成图像，并将其传递给鉴别器。这样做的希望，即使他们是假的，他们也将被视为真实。发电机的目的是生成可传递图像：撒谎而不会被捕获。鉴别器的目的是将来自发电机的图像识别为假。

MATLAB^®和深度学习工具箱™让您使用自动差异化构建gan网络架构，定制培训循环和分享权重。

生成对抗网络的应用

手写一代：与图像示例一样，GAN用于创建合成数据。这可以用于补充需要更多数据示例的较小数据集，以训练准确的深度学习模型。一个例子是手写检测：为了培训笔迹深度神经网络，需要数千个培训数据样本，并且手动收集此数据可能是耗时的。

场景产生：有条件的gan是一种特定类型的gan，利用标签，而原始的gan不假设将存在标签。有条件的gans可以用于场景生成等应用中，其中必须有某个组织的信息。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下方。为此示例创建的合成图像，该示例不符合道路位置，将立即确定为假且无法使用的自动驾驶应用程序。

音频和语音应用：GAN还用于诸如文本到语音综合，语音转换和语音增强之类的应用。GAN比传统的音频和语音实现提供了重要的优势，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示例是创建鼓声的合成版本：火车生成对抗网络（GAN）进行声音综合

注意：GAN可以在生成新的合成数据以在许多应用程序中使用，但是由于可能发生的许多故障模式，获得准确的结果通常是具有挑战性的。MATLAB让您监视GAN训练进度并确定常见的故障模式。