當(dāng)一個小孩畫一只貓的時候，你會更加了解這個孩子，而不是了解他畫出來的貓。同理，我們使用神經(jīng)網(wǎng)絡(luò)生成圖像，能幫助我們理解神經(jīng)網(wǎng)絡(luò)，是如何對輸入的信息進(jìn)行處理的。
本文為O'Reilly雜志文章，作者為：Jon Bruner, 程序員、記者。曾任福布斯雜志數(shù)據(jù)編輯，也曾負(fù)責(zé)O'Reilly關(guān)于數(shù)據(jù)、人工智能、硬件、物聯(lián)網(wǎng)、制造等方面電子雜志書籍的出版。
編譯如下：
通常，人們很難以直觀的方式，解釋神經(jīng)網(wǎng)絡(luò)的功能，但是生成算法提供了一種讓神經(jīng)網(wǎng)絡(luò)解釋自我的方法。
神經(jīng)網(wǎng)絡(luò)常被用作實現(xiàn)一個圖像分類器，能夠用它來區(qū)分圖像中是貓還是狗，或者識別消防標(biāo)志等。不過，在過去的三年中，研究人員從本質(zhì)上對這些神經(jīng)網(wǎng)絡(luò)進(jìn)行逆轉(zhuǎn)，并且取得了驚人的進(jìn)展。
只需要使用簡單的生成算法，就可以通過大量的圖像數(shù)據(jù)進(jìn)行訓(xùn)練，然后生成類似于訓(xùn)練圖像的全新圖像。具有創(chuàng)造力的AI已經(jīng)證明：表面上看，它們在模仿人類的創(chuàng)造力方面已經(jīng)做的非常出色。
目前的生成AI研究浪潮，建立在生成對抗網(wǎng)絡(luò)（GAN）的基礎(chǔ)上，GAN是一種由Ian Goodfellow和他的同事在2014年提出的一種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。隨著Ian Goodfellow論文的發(fā)表，一系列的發(fā)明應(yīng)用隨之而來。
研究人員使用GAN網(wǎng)絡(luò)，可以生成從人臉到臥室的一切圖像。通過一項基于GAN叫做pix2pix的技術(shù)，可以直接通過衛(wèi)星圖像生成地圖，可以為黑白照片自動填色，可以將手繪的草圖渲染成逼真的實景。
增強(qiáng)低分辨率而且模糊的監(jiān)控圖像，只是一個非常模糊的幻想，不過現(xiàn)在已經(jīng)通過使用GANs成為現(xiàn)實，現(xiàn)在GANs已經(jīng)可以對低分辨率照片中，可能的結(jié)構(gòu)做出復(fù)雜的設(shè)想了。
圖1. 由生成對抗網(wǎng)絡(luò)創(chuàng)建的虛構(gòu)專輯封面
一個生成對抗網(wǎng)絡(luò)，由兩個神經(jīng)網(wǎng)絡(luò)組成：一個學(xué)習(xí)產(chǎn)生某種數(shù)據(jù)（如圖像）的生成器，一個學(xué)習(xí)判斷生成器產(chǎn)生的數(shù)據(jù)與現(xiàn)實世界數(shù)據(jù)相比，是真還是假的判別器。
生成器和判別器具有相反的訓(xùn)練目標(biāo)：判別器的目標(biāo)為區(qū)分“真實”數(shù)據(jù)和假數(shù)據(jù)，而生成器的目標(biāo)，而生成器“被迫”生成越來越逼真的輸出，以欺騙判別器。是不是感覺非常有意思？
Jon Bruner 和 Adit Deshpande，基于TensorFlow演示了一個非常簡單的生成對抗網(wǎng)絡(luò)，這個網(wǎng)絡(luò)創(chuàng)造出了逼真的手寫數(shù)字圖像。圖2為該網(wǎng)絡(luò)的學(xué)習(xí)過程，從隨機(jī)噪聲開始，出現(xiàn)了一種原始智慧：首先神經(jīng)網(wǎng)絡(luò)反復(fù)產(chǎn)生相同的通用偽數(shù)字，然后領(lǐng)會不同數(shù)字之前的差異，最終可以創(chuàng)造每一個數(shù)字。
圖2 生成器經(jīng)過訓(xùn)練后，生成手寫數(shù)字的動畫演示過程
神經(jīng)網(wǎng)絡(luò)擅于通過豐富的數(shù)據(jù)進(jìn)行簡單的推斷，神經(jīng)網(wǎng)絡(luò)通過多層神經(jīng)元能夠自我組織，并在多層次檢測從紋理片段到基本結(jié)構(gòu)的模式，它還能夠挖掘到人們可能會錯過的模式。
這就是神經(jīng)網(wǎng)絡(luò)的優(yōu)勢，不過也是解釋它比較困難的根源。
神經(jīng)網(wǎng)絡(luò)雖然能夠注意到人們無法注意到的模式，但是如果的網(wǎng)絡(luò)結(jié)構(gòu)過于簡單或者訓(xùn)練數(shù)據(jù)不足以表示真實世界的變化，它們也會像人一樣進(jìn)行不合理的探索。
像多元線性回歸這種簡單的統(tǒng)計模型，是很容易解釋它的原理的，這種函數(shù)足夠直觀，大家可以一目了然的掌握它的原理。
但是對于具有多層神經(jīng)網(wǎng)絡(luò)就沒有這么直觀了，多層神經(jīng)網(wǎng)絡(luò)通過訓(xùn)練集進(jìn)行自由的自我組織，并且不同層次神經(jīng)元之間相互關(guān)聯(lián)，這種連接方式導(dǎo)致每一層神經(jīng)元的功能變得模糊，我們就不得而知每層神經(jīng)元究竟對應(yīng)什么功能。
這個簡單的生成對抗網(wǎng)絡(luò)，確實會像人類一樣進(jìn)行推理。當(dāng)你看一張貓的照片時，你能明確地識別出，這是被偽造的一只貓嗎？
你通過快速的觀察得到各種特征：貓的耳朵、貓的胡須、貓的毛發(fā)樣式等，總的來說，通過這些特征，你最終得到這是一只貓的結(jié)論，神經(jīng)網(wǎng)絡(luò)亦是如此。
正是因為GAN中的生成器，具有多層次處理信息的能力，所以該網(wǎng)絡(luò)重構(gòu)信息后輸出的結(jié)果比較真實。圖3是通過GAN生成的臥室圖片，不得不說效果相當(dāng)棒。不僅床單，地毯和窗戶看著很真實，而且他們的位置也是正確的，床單放在床上，地毯鋪在地上，窗戶開在墻上。
圖3 GAN生成的臥室圖像
如果你接觸過圖像識別，你可能會對卷積神經(jīng)元比較熟悉，卷積神經(jīng)元可以跨圖像掃描，并過濾像素進(jìn)行模式檢測。卷積層通常將圖像壓縮，但是在GAN的生成器中，卷積層的功能被逆轉(zhuǎn)，以便按比例擴(kuò)大數(shù)據(jù)。
生成器不是用來檢測模式和匹配圖像中的特征的，而是使用反卷積的方式生成基本圖像構(gòu)建塊，并且再將這些基本構(gòu)建塊，組裝融合成“真實的圖像”。比如，這個簡單的GAN生成了一個非常“真實的”數(shù)字9，如圖4所示。
圖4 GAN生成非常“真實”的手寫數(shù)字9
通過觀察反卷積濾波器和其對應(yīng)的輸出，可以發(fā)現(xiàn)這些由最后一層反卷積層生成的構(gòu)建塊，來自圖4中的手寫數(shù)字9。
當(dāng)神經(jīng)網(wǎng)絡(luò)作為一種創(chuàng)造性力量出現(xiàn)時，我們必須領(lǐng)悟它的推理世界
圖5 反卷積濾波器及其輸出（生成數(shù)字9時）
GANs才三歲而已，顯而易見，GANs在不久的將來會被用作生成各種內(nèi)容，甚至可能在每個用戶訪問網(wǎng)站的過程中，為其定制圖片或者視頻。當(dāng)GANs作為一種創(chuàng)造性力量出現(xiàn)時，人們必須去領(lǐng)悟它的推理世界。
還在等什么？快動手去嘗試建立你自己的GANs吧！
