【埃尔法哥哥】快速看懂如何使用GAN生成“真实”的人脸( 四 )
GAN必须兼顾两种不同的训练（生成器和判别器） 。
GAN收敛很难确定 。
随着生成器在训练中的改进 ， 判别器的性能会变差 ， 因为判别器无法轻易分辨真假之间的区别 。 如果生成器成功完成 ， 则判别器的准确性为50％ 。 实际上 ， 判别器会向掷硬币那样进行预测 。
这种进展为GAN的整体收敛提出了一个问题：随着时间的流逝 ， 判别器反馈的意义逐渐减弱 。 如果GAN继续进行训练 ， 直到判别器给出完全随机的反馈 ， 则生成器将开始根据垃圾反馈进行训练 ， 其质量可能会下降 。
随着时间的流逝 ， 我们周围存在的这些算法在做事上会越来越好 ， 这意味着这些生成模型在生成模仿对象方面可能会变得更好 。 很有可能另一个崭新的生成模型即将出现 。 这项技术可以用于许多美好的事物 。 但是 ， 还有潜在的不良后果 。 在这样的世界中 ， 宣传可能会更容易传播 。 本质上 ， 这些新的生成模型具有足够的时间和数据 ， 它们几乎可以从任何分布生成令人信服的样本 。
结论：GAN的未来
无监督学习是人工智能的下一个前沿领域 ， 我们正在朝着它前进 。 GAN和生成模型一般都很有趣且令人困惑 。 它们向我们越来越依赖人工智能的世界迈出了又一步 。 GAN在诸如生成图像数据集示例 ， 生成真实照片 ， 图像到图像翻译 ， 文本到图像翻译 ， 语义图像到照片翻译 ， 面部正面视图生成等情况下具有大量应用程序新的人类姿势 ， 面部老化 ， 视频预测 ， 3D对象生成等 。
推荐阅读
- 「」儿童节就送阿尔法蛋学习手表，安全贴心又能学习
- -悟空哥哥-618年中大促力来袭，iQOO Neo3应该是你不容错过的5G手机
- 埃尔法哥哥面对用户需求与AI技术之间的不平衡，AI产品经理该如何做？
- 埃尔法哥哥谁说机器学习难？它在这朵云上就没有门槛
- 埃尔法哥哥Python基础语法之“数据应用”
- 埃尔法哥哥Bionumerics软件的多位点VNTR分析
- 埃尔法哥哥一个例子就能读懂大数据，原来数据分析能在这些行业里使用
- 埃尔法哥哥C++程序员的职业生涯规划
- 埃尔法哥哥MAML-Tracker：用目标检测思路做目标跟踪？小样本即可得高准确率丨CVPR 2020
- 埃尔法哥哥数据规范之代码表