解读 | 通过拳击学习生成对抗网络（GAN）的基本原理(3)
2017-04-30 编辑：
以上的类比是一项正在进行的实验，未来我们会添加更多相关信息。
结论
既然我们已经对 GAN 有一个基础性的了解，那么让我们现在重新审视一下其目标：从非标记的数据中学习强大的表征（例如：从原始数据中获取我们的数据，学习在一个小得多的范围中去表征其最重要的特征 →实现理想的表现所需的有标注数据更少）。
在训练一个 GAN 之后，目前大多数方法将判别器用作迁移学习基本模型以及对生产模型的微调，亦或是将生成器用作训练生产模型的数据源。在我们的拳击类比中，这意味着判别器拿到了他的拳击执照并且竞争对手生成器没有拿到。很不幸，因为生成器看起来是有潜力成为一个更好的拳手的。他要么被解雇，要么就只能作为一个生产模型的陪练。
我所无法创造的，我也无法理解。
一个训练得很好的生成器很好地学习了真实的数据分布，它可以从一个小得多的输入范围中生成属于它的样本。这意味着它发展出了极其强大的数据表征能力。能够在生产模型中直接利用生成器所学到的东西就好了，但目前似乎还没有任何能够做到这一点的方法。如果有，请评论告知。
欲知标准 GAN 清楚且简单的实现（和其它类型的 GAN，如 InfoGAN 和 ACGAN）参阅：
GAN 沙盒：基于 Keras/TensorFlow 实现的 Vanilla GAN——可实现快速实验和研究：https://github.com/wayaai/GAN-Sandbox
这里有几类可生成极为有价值生成器的 GAN，尽管它们也还是「陪练」：
SimGAN：无监督学习和自动驾驶等中的变革者：https://medium.com/intuitionmachine/simgans-applied-to-autonomous-driving-5a8c6676e36b
原文链接：http://www.kdnuggets.com/2017/03/deep-learning-gans-boxing-fundamental-understanding.html
本文为机器之心编译，转载请联系本公众号获得授权。
?------------------------------------------------
加入机器之心（全职记者/实习生）：hr@jiqizhixin.com
投稿或寻求报道：editor@jiqizhixin.com
广告&商务合作：bd@jiqizhixin.com
相关阅读：
相关推荐：
