第1个回答 2016-08-02
简单说来，在一个对抗网络中，判别器的输出就是：遇到真实图片，输出 1；如果是生成图片，输出 0。判别器想要做好这项工作，因此，它会优化自身，防止被生成器欺骗。反过来，生成器也正在优化自己，它想生成非常真实的图像，尽可能地迷惑鉴别器，让其难辨真伪。最后，生成器开始生成非常真实的图片：无论图片是生成器生成的还是真实的，半数时间里，判别器的正确概率都是恒定的。
这种对抗训练过程与传统神经网络存在一个重要区别。一个神经网络需要有一个成本函数，评估网络性能如何。这个函数构成了神经网络学习内容以及学习情况的基础。传统神经网络需要一个人类科学家精心打造的成本函数。但是，对于生成式模型这样复杂的过程来说，构建一个好的成本函数绝非易事。这就是对抗性网络的闪光之处。对抗网络可以学习自己的成本函数——自己那套复杂的对错规则——无须精心设计和建构一个成本函数。
实践中，对抗网络的这种特性可以转化为一些更好、更敏锐、质量更高的预测模型。为了展现这一点，我们用各种图片数据组训练了 LAPGAN 和 DCGAN ， 这些图片要么采集了 ImageNet 数据组中一组特定图像，比如脸部，油画，卧室等，要么采集了一套各种自然景观图像。在人工智能社区，特别是 DCGAN ，开始变得很流行。几个研究人员根据我们为 DCGANs 公布的代码，用各种不同图像集训练了其他的 DCGAN。比如， 以下就是 NVIDIA 研究人员用18世纪的画作训练的一个 DCGAN。