神经网络系统辨论文,神经网络的论文

大家好，今天小编关注到一个比较有意思的话题，就是关于神经网络系统辨论文的问题，于是小编就整理了1个相关介绍神经网络系统辨论文的解答，让我们一起看看吧。

“对抗性神经网络”是什么？

“对抗性神经网络”入选《麻省理工科技评论》2018 年“全球十大突破性技术”。

入选理由：两个 AI 系统通过玩“猫捉老鼠”游戏来获得想象力

技术突破：两个 AI 系统可以通过相互对抗来创造超级真实的原创图像或声音，而在此之前，机器从未有这种能力

重大意义：这给机器带来一种类似想象力的能力，因此可能让它们变得不再那么依赖人类，但也把它们变成了一种能力惊人的数字造假工具

主要研究者：Google Brain、DeepMind、英伟达、中科院自动化所、百度、阿里巴巴、腾讯、商汤科技、依图科技、云从科技、旷视科技等

成熟期：现在

人与机器的区别和界限在AI技术日渐昌盛的当下变得愈发模糊，而“对抗性神经网络”的出现又毫无疑问地使这一困局雪上加霜。因为在大众的认知当中，目前的人工智能技术还只是应用于物体的识别，而且在这方面的能力越来越强。例如，给AI看一百万张图片，它就可以用惊人的准确度来告诉你究竟哪张里面有个行人在过马路。

那么AI能否凭借自己的“想象力”从无到有生成一张图片呢？直到 2014 年，科学家们给出了肯定的答案。当时还是蒙特利尔大学博士生的 Ian Goodfellow 在酒吧里与友人进行学术辩论时，他突然想到了这个问题的答案，提出了名为“对抗式生成网络”（GAN）的技术。

该技术会使用两个神经网络（一种简化人脑数学模型，是现代机器学习基石），然后让这两者在数字版的“猫捉老鼠”游戏中相互拼杀。这两个网络会使用同一个数据集进行训练。其中一个神经网络叫生成网络，它的任务就是依照所见过的图片来生成新的图片，比如一个多长一条手臂的行人。而另外那个神经网络叫判别网络，它的任务则是判断它所见得图片是否与训练时的图片相似，还是由生成模型创造出来的“假货”，比如，判断那个长着三个手臂的人有没有可能是真的？

慢慢的，生成网络创造图片的能力会强到无法被判别网络识破的程度。基本上，经过训练之后，生成网络学会了识别并创造看起来十分真实的行人图片。

这项技术已经成为了在过去十年最具潜力的人工智能突破，帮助机器产生甚至可以欺骗人类的成果。

目前，GAN 已被用于创造听起来十分真实的语音，以及非常逼真的假图片。就拿一个很有名的例子来说，来自芯片公司英伟达的研究人员们用明星照片训练出了一个 GAN 系统，而这个系统则生成了数百张根本不存在、但看起来十分真实的人脸照片。另外一个研究团队则生成了看起来十分逼真的梵高油画。在进一步训练后，GAN 可以对图片进行各种修改，比如在干净的马路上盖上一层雪，或者把马变成斑马。

但是 GAN 的成果并非完美：它们可能生成有两套把手的自行车，或者眉毛错位的脸。但由于有些图片与声音实在太逼真了，一些专家相信，GAN 在某种程度上已经开始理解它们所见到，所听到的世界的底层结构。而这意味着，随着人工智能开始获得想象力，它们也可能开始理解它在这世界上所看到的东西。

Ian Goodfellow发明出GAN后，获得Facebook首席科学家Yann LeCun、NVIDIA创办人黄仁勋、Landing.ai创办人吴恩达等大牛的赞赏，吸引了诸多的机构及企业开始研究。在中国部分，学术机构致力于研究GAN理论的近一步改良及优化，像是中科院自动化所研究人员受人类视觉识别过程启发，提出了双路径GAN（TP-GAN），用于正面人脸图像合成，而商汤－香港中大联合实验室在国际学术大会上发表多项GAN相关研究成果。

中国企业界则是更倾向于把技术应用在服务中，相关案例不胜枚举，比如，百度使用GAN构建语音识别框架，科大讯飞通过GAN与传统深度学习框架的结合在语音合成领域获得了很大的进展。而阿里巴巴的城市大脑项目团队在ACM MM2017会议上，其中发表的一篇论文便是使用GAN来生成用以进行车牌识别的训练数据集。

对于GAN，商汤—香港中文大学联合实验室教授李鸿升评价道：未来可能对计算机图形学产生冲击，发展三年多的 GAN，在已经发展了 60 年的人工智能领域中，虽然还是很新的技术，不过已经有各种变体或进阶版出现，而且在诸多研究人员及企业的投入下未来仍有许多的可能性。例如有机会从二维的图片进展到三维的视频等等，在更远的将来，有可能会对图形学产生冲击或挑战。

对抗神经网络最早的想法最早由 Ian Goodfellow 在 2014 年提出。其中，最常见的一种就是「生成对抗模型（GAN）」了。GAN 用对抗的方法，同时训练了一个「生成模型（G）」与一个「判别模型（D）」，用对抗的方法，最终生成与原始数据完全相同的概率分布。

在学习的过程中，这生成器和判别器通过相互竞争和博弈，逐渐提高模型整体的生成能力和判别能力。生成模型和判别模型可以都是神经网络。生成模型的优化目标是尽可能地去生成伪造的数据，从而获得真实数据的统计分布规律；而判别模型则用于判别给出的一个输入数据到底来源于真实数据还是生成模型。最终，当一个判别模型无法准确分辨生成模型所生成的数据是否为伪造时，则训练结束，此时我们认为判别模型与生成模型都已经提高到了较高的水平，生成模型所生成的数据足以模仿真实世界中的数据。

直观理解一下，假设一个城市治安混乱，很快，这个城市里就会出现无数的小偷。在这些小偷中，有的可能是盗窃高手，有的可能毫无技术可言。假如这个城市开始整饬其治安，警察们开始恢复城市中的巡逻，很快，一批「学艺不精」的小偷就被捉住了。在捉住一批低端小偷后，城市的治安水平变得怎样倒还不好说，但很明显，城市里小偷们的平均水平已经大大提高了。警察们开始继续训练自己的破案技术，开始抓住那些越来越狡猾的小偷。随着这些职业惯犯们的落网，警察们也练就了特别的本事，他们能很快能从一群人中发现可疑人员，于是上前盘查，并最终逮捕嫌犯；小偷们的日子也不好过了，因为警察们的水平大大提高，如果还想以前那样表现得鬼鬼祟祟，那么很快就会被警察捉住。为了避免被捕，小偷们努力表现得不那么「可疑」，而魔高一尺、道高一丈，警察也在不断提高自己的水平，争取将小偷和无辜的普通群众区分开……随着警察和小偷之间的这种「交流」与「切磋」，最终，我们同时得到了最强的小偷和最强的警察。

我是萌新程序猿，科技圈的事情欢迎邀请我来回答！对抗性神经网络又称作生成对抗网络，英文：Generative Adversarial Network，简称GAN。

对抗性神经网络的诞生

对抗性神经网络工作原理

　　两个网络都使用相同的数据集去训练。其中一个名为“生成模型”，任务是利用所看到的图像去创建新的图片。而另一个名为“鉴别模型”，任务是识别所看到的图像是否是生成模型制作的假图像。

　　通过这样的过程，生成模型将非常善于产生图像，导致鉴别模型无法判断哪些是真实图像，哪些是假的。这个场景直至生成模型与鉴别模型无法提高自己——即判别模型无法判断一张图片是生成出来的还是真实的而结束，此时生成模型就会成为一个完美的模型。从本质上来看，生成模型被训练去识别并制作看起来真实的图像。上述这种博弈式的训练过程，如果采用神经网络作为模型类型，则被称为生成式对抗网络（GAN）。

对抗性神经网络的未来

现在已经有人将对抗性神经网络应用与制作一些逼真的图像和语音等，我觉到后面可以实现一丝不差模仿一个人说话。

对抗性神经网络可以应用于历史档案图像检索、文本翻译成图像、药物匹配、肿瘤分子生物学的应用等，有种想法采用对抗性神经网络经过训练后，可以使用生成器获得一种以前不可治愈的疾病的药方，并使用判别器确定生成的药方是否治愈了特定疾病，如果可行，相信很多不可治愈的疾病说不定可以找到治愈的方法。

对抗性神经网络可以让人工智能具有比较基础的想象力，相信 GAN在未来会有更进一步发展，人工智能会更加智能， 有助于建立一个更好的人工智能的未来。

码了这么多字，点个赞关注下再走吧！！！

关注萌新程序猿（本人咯），了解更多IT以及程序猿的知识！！！

到此，以上就是小编对于神经网络系统辨论文的问题就介绍到这了，希望介绍关于神经网络系统辨论文的1点解答对大家有用。