AI不僅會寫詩，會畫畫，會學習，現在連好奇心都有了......

文/Sumeet Agrawal

還記得《射鵰英雄傳》中老頑童發明的「左右互搏術」嗎？表面上看，左手與右手互為敵手，斗得不可開交。實際上，老頑童卻憑藉此練就了一門絕世武功。

這樣的故事似乎只能發生在小說中。然而，近年來興起的一項機器學習演算法卻將「左右互搏術」變為了現實。這項神奇的演算法正是生成對抗網路（GANs）。今天DT君就帶你走近生成對抗網路在產業界的十大神奇應用。

本文轉載自公眾號大數據文摘（ID：BigDataDigest）

作者 | Sumeet Agrawal

編譯 | 糖竹子、阮雪妮、Saint、錢天培

生成對抗網路由蒙特利爾大學的IanGoodfellow最先提出，目前是「教」電腦完成人類工作最有效的方法之一。它的核心想法正是令內部功能相互競爭，達到提升它們各自功能的效果。

生成對抗網路由兩個相互競爭的神經網路模型組成，就好比周伯通的左右手。一個神經網路（生成器）不斷學習怎樣生成新的樣本以欺騙判別器，另一個網路（判別器）則不斷學習怎樣區別生成樣本數據和真實數據。在百萬輪「較量」後，生成器就可以輸出與真實數據幾乎無差別的樣本。

生成對抗網路別出心裁的思想讓它在學界揚名立萬。在業界，生成對抗網路也帶來了無數強大、有趣的應用

（圖片說明：對抗生成網路的概念模型）

NO. 10 照貓畫虎：自動生成遊戲用戶界面

排在榜單第十位的GANs應用是，遊戲用戶界面自動生成。

這一應用背後的腦洞如下：如果我們能夠生成逼真的遊戲配圖，那麼我們就可以把這些配圖中的部分截取拼接在一起，從而設計出一個全新的遊戲界面。

作為輸入的遊戲背景圖像：

在生成式對抗網路（GAN）訓練過程中生成的背景圖像：

可以用於製作全新遊戲的獨特背景：

為實現這一目標，該程序會搜集大量現有遊戲的圖像，然後生成由這些圖像片段所構成的獨一無二的新圖像。這些圖像之後便可以被用作新遊戲的背景了。

來源&更多信息：

Blog：https://medium.com/@ageitgey/abusing-generative-adversarial-networks-to-make-8-bit-pixel-art-e45d9b96cee7

No. 9 千面神君：用GANs生成以假亂真的人臉

接下來，我們要為你介紹一款能夠偽造人臉圖像的AI——Neural Face。Neural Face使用了Facebook 人工智慧研究團隊開發的深度卷積神經網路（DCGAN）。

由生成式對抗網路（GANs）產生的獨特人臉：

研發團隊用由100個0到1的實數組成的1個向量Z來代表每一張圖像。

通過計算出人類圖像的分布，生成器就可以用高斯分布（Gaussian Distribution）根據向量Z來生成圖像。在此過程中，生成器學習生成新的人臉圖像來欺騙判別器，同時判別器也能更好地區分加工生成的人臉圖像和真實的人臉圖像。

來源&更多信息：

GitHub：https://github.com/carpedm20/DCGAN-tensorflow

Page：http://carpedm20.github.io/faces/

No. 8 破涕為笑：改變照片中的面部表情和特徵

在這一應用中，你只需要提供一些樣本圖像，研究人員就能生成表情各異的人臉圖像。比如，你可以讓一個面無表情的人露出笑容。

讓面無表情的人露出笑容，給不戴眼鏡的人加副眼鏡：

實現這一應用的基本思想方法是：將圖像的每一列用向量X來表示，計算每一個X的平均值，從而得到一個Y向量。

然後，對向量Y進行一些加法和減法運算，生成一個單一的圖像向量Z（如：戴眼鏡的男性-不帶眼鏡的男性+不帶眼鏡的女性）。最後，把這個圖像向量Z輸入生成器中。

將一張頭像靠左的人臉圖像變為靠右的圖像：

實際上，我們還可以用該模型實現包括旋轉、放縮、位置變換在內的多種操作。以位置變換為例，我們可以將一張頭像靠左的人臉圖像轉變為靠右的圖像。

為此，我們可以先把向頭像靠左和靠右的人臉圖像作為樣本，對它們取平均值，得到一個「翻轉圖像」向量。然後，沿著坐標軸對圖像向量進行插值（https://zh.wikipedia.org/wiki/%E6%8F%92%E5%80%BC），我們就可以將這種「轉變」應用到新的人臉圖像上了。

來源&更多信息：

GitHub：https://github.com/Newmu/dcgan_code

Paper：https://arxiv.org/pdf/1511.06434.pdf

Blog：https://hackernoon.com/how-do-gans-intuitively-work-2dda07f247a1

NO. 7 腦洞大開： 用GANs創造出迷幻圖像

接下來，我們將為你介紹Google Brain研發的Google Deep Dream。這一應用基於 GoogleNet對物體本質的「認知」可視化。

通過此方法，GANs能夠學會生成一些「迷幻」的圖片。這些如夢似幻的圖像是圖片分類器故意過度處理圖像的結果。

Deep Dream在圖像中「找」到了塔、建築、鳥和昆蟲：

Deep Dream 用普通圖像生成迷幻圖片：

當你向Google Deep Dream輸送一張圖像後，該應用就會開始在圖像中尋找各類曾被訓練識別的物體。神經網路會將一些毫不相關的物體聯繫起來，這就好比人們把雲想像成小狗、小鳥。然後，Google Deep Dream 會對其聯想出的物體作增強處理。

舉個例子，當神經網路第一次作出圖像識別時，它會認為這張圖有40%的可能是一隻小狗，而經過一輪處理後，神經網路就會認為可能性增加到了60%。這個過程會不斷重複，直到輸入圖片已被修改得非常像一條狗了。

就這樣，它一步步地把原圖像調整成另外一張圖像。換句話說，創造出了「四不像」的圖片。

來源&更多信息：

GitHub：https://github.com/google/deepdream,

Blog：https://research.googleblog.com/2015/06/inceptionism-going-deeper-into-neural.html

NO.6 狸貓換太子：改變圖像/視頻內容

通過圖片生成另一張圖片是生成網路的另一項有趣應用。憑藉此技術，我們可以將一段視頻中的動物換成另一種動物，或者將圖片里的季節換成另一季節。

該應用的核心在於，使用一組訓練圖像對來學習映射輸入和輸出圖像。然而，在許多情況下，配對訓練圖像並不容易獲得。為了克服這一問題，我們可以採用「雙邊鏡像繪圖」的方式，將一種變換的輸入作為另一中變換的輸出。這樣，我們就能通過無監督學習克服相本容量小的問題了。

動物變形—通過偵測視頻中的奔跑的馬給它添加斑馬條紋，將馬變斑馬圖像：

季節轉換—在圖像中改變季節，例如將冬季轉為夏季，或將冬季轉為春季:

來源&更多信息：

Page：https://junyanz.github.io/CycleGAN/

GitHub：https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix

NO.5 化零為整：通過輪廓生成逼真圖像

修改逼真圖像是一項富有挑戰性的工作，它要求在寫實的基礎上以用戶控制的方式改變圖像的外觀。這一任務的技術含量相當高，一位藝術家可能要經過多年訓練才能到達穩定的水準。

GANs 能夠從輪廓中生成逼真的圖像:

給出一件物品的輪廓，這一模型就能夠識別出這個物品，並能夠生成栩栩如生的物品圖像。

在該論文中 （https://arxiv.org/pdf/1609.03552v2.pdf），作者提出一種使用生成對抗網路，從數據中直接學習自然圖像流形的方法。模型能夠自動調整輸出結果，以保證內容儘可能真實，同時所有操作均以約束優化法進行表達，且基本能被實時應用。

這個方法也可以將一張圖片變得更像另一張圖片，或者根據用戶的塗鴉產生全新的圖像。

來源&更多信息：

Paper：https://arxiv.org/pdf/1609.03552v2.pdf

GitHub：https://github.com/junyanz/iGAN

Page：https://people.eecs.berkeley.edu/~junyanz/projects/gvm/

NO.4 見字如面：GANs用文本生成圖片

下面這項應用既有趣又實用。通過訓練，GANs能夠依據文字描述自動合成擬真圖像。

最近，深層卷積生成對抗網路(DCGANs)用一些特定類別的圖像，如人臉，唱片封面，室內空間合成了令人嘆服的圖像。

這個模型是用由文本和與之對應的圖像組成的樣本數據進行訓練的。給定一個物體的文本描述，這個模型會嘗試根據這一描述生成圖像。

左欄為文字描述，右欄為機器想像出的圖片:

左欄的描述從上到下分別為：

• 「這隻充滿朝氣的紅色小鳥有著尖尖的黑色的喙」，
• 這隻黃橙色的鳥有著黑色的翅膀
• 這隻天藍色小鳥的腹部是白色的

在這項工作中，我們首先要獲取描述圖像的文本，學習文本，抓住重要的視覺細節，然後再利用這些特徵文本來合成能夠迷惑人們的逼真圖像。

來源&更多信息：

Paper：https://arxiv.org/pdf/1605.05396.pdf

GitHub：https://github.com/paarthneekhara/text-to-image

No. 3 未卜先知：通過「場景動態」（Scene Dynamics）預見視頻下一秒將發生什麼

理解物體運動和場景動態是計算機視覺中的核心問題。不管是視頻識別任務（如行動分類）還是視頻生成任務（如未來預測）都需要轉換場景的模型。但由於物體和場景改變的方式多種多樣，構建這樣一個動態模型是很有挑戰性的。

生成火車站、沙灘、嬰兒和高爾夫的預測短視頻:

為實現這一目標，我們需要一個能將前景和背景區分開來的模型。在保持背景的靜止的基礎上，神經網路能夠了解哪些物體是運動的，哪些物體是靜止的。

上面的預測視頻便是生成模型想像出來的。儘管這些預測並沒有實際發生，基於它們的訓練場景類別，這些動作還是相當合理的。

來源&更多信息：

Paper：http://carlvondrick.com/tinyvideo/paper.pdf

GitHub：https://github.com/cvondrick/videogan

Page：http://carlvondrick.com/tinyvideo/

NO. 2 依葫蘆畫瓢：用GANs完成模仿學習

GANs也可以幫助研發自學習人工智慧機器人。此前，該領域的研究多涉及獎勵機制的應用。

運用GANs的方法，科研人員向人工智慧主體輸入真實的演示數據，然後人工智慧主體就能通過數據學習嘗試模仿相同的動作。

一個AI主體正嘗試模仿人類跑步:

該模型展示了模仿學習的一種新方法。標準加強學習模型通常要求建立一個獎勵函數，用於向代理機器反饋符合預期的行為。然而，這種方式在實踐中為了糾正細節問題會在試錯過程上消耗大量精力。

取而代之的模仿學習，則是讓人工智慧主體從實例中學習（例如遠程遙控機器或者人類活動提供的案例），省去了設計獎勵函數的麻煩。

來源&更多信息：

Blog：https://blog.openai.com/generative-models/

GitHub：https://github.com/openai/imitation

No. 1 自學成才：讓「好奇」驅動計算機學習

在很多現實世界的情境中，對人工智慧主體的外部獎勵是非常少的，或者說根本沒有。如此一來，一段被動的程序就會因為它自身的固有屬性，無法進化和學習。

在這種情況下，「好奇心」可以作為內置的獎勵信號激勵人工智慧主體去探索它周邊的環境、學習在將來對它可能有幫助的技能。在這種情況下主動學習者比被動學習者的表現要好。

在這樣的模型中，「好奇心」被設定為 AI預測它自身行為後果能力中的誤差。當然了，在這樣的語境下，AI也可以通過程序員建立的獎勵機制開展學習。

讓我們用小孩學習的過程來作個類比。一個不受大人監護的小孩不知道摸熱爐子的後果。不過一旦他這樣做了，他就會明白他不應該這樣做——因為疼痛，也因為了解了摸熱爐子和感受到所謂疼痛之間的因果關係。

貪吃蛇遊戲：通過「好奇心驅動學習」（curiosity driven learning），貪吃蛇學著去收集那些能增加它的報酬的綠球，並避開那些會減少其報酬的紅球。

好奇心驅動的學習（curiositydriven learning）以下面三點作為基礎：

• 極少的外部獎勵——有了「好奇心」，達成目標所需與外界環境的互動更少了。
• 沒有外部獎勵的探索，是「好奇心」使AI主體的探索行為更高效。
• 對未知場景中（例如同一個遊戲中的新關卡）的泛化處理。此時AI主體利用過往經驗探索新大陸，這會比它從零開始探索要快很多。

來源&更多信息：

GitHub：https://github.com/pathak22/noreward-rl

Paper：https://pathak22.github.io/noreward-rl/resources/icml17.pdf

Website：https://pathak22.github.io/noreward-rl/index.html#demoVideo

結語

看完了以上這些應用，你是不是對生成式對抗網路刮目相看了呢。然而，這些只不過是生成式對抗網路初試身手罷了。相對於生成式對抗網路所能完成的工作而言，這些應用只是冰山一角。生成式對抗網路為我們提供了一個強有力的訓練神經網路的方法，讓機器能夠完成任何一個人類能夠完成的複雜任務。

生成式對抗網路（GANs）向我們證明了：創造力不再是人類所獨有的特質了。

本文編譯自《A Dozen Times Artificial Intelligence Startled The World》。

DT君送福利：如果你想更深入地學習生成模型（generative model）和深度卷積生成式對抗網路（DCGAN）, 關注DT數據俠後台回復「GANs」獲取原文鏈接。

加入數據俠

「數據俠計劃」由第一財經數據新媒體DT財經發起的數據人社群平台，旗下有數據俠專欄、數據大咖及愛好者社群、線上線下「數據俠實驗室」系列活動等項目。

+ 投稿：chengyixiang@dtcj.com

+ 合作：zhaonan@dtcj.com

+ 入群請加DT君微信：dtcaijing002