GAN的生成器是怎么产生图片的？

想象一下，我们有一位技艺精湛的画家，但这位画家什么都看不见，他唯一的任务就是尽他所能画出一张尽可能逼真的肖像。而我们还有一位挑剔的艺术评论家，他的职责是判断画作是来自一位真正的艺术家，还是出自这位“盲眼”画家之手。GAN（生成对抗网络）就是这样一个“画家”和“评论家”互相博弈的故事。

生成器：那位“盲眼”的画家

GAN中的生成器，就好比那位“盲眼”画家。它本身并不是真的“看见”图像，而是通过一种非常巧妙的方式来“创造”图像。

1. 输入：一个随机的点

生成器开始创作的时候，并不是凭空产生一张完整的图片。它需要一个“种子”，这个种子通常是一个随机的向量。你可以把它想象成一个包含了许多数字的列表，这些数字没有任何特定的意义，纯粹是随机生成的。你可以把它想象成画家脑海中闪过的一个模糊的灵感，一个随机的想法。

为什么是随机的？因为我们希望生成器能够创造出多样化的图像，而不是每次都画出同样的东西。通过改变这个随机向量，我们就可以引导生成器产生不同风格、不同内容的图像。

2. “炼丹”过程：层层递进的“猜测”

生成器内部其实是一个复杂的神经网络。你可以把它想象成一个拥有许多“图层”的机器。这个机器会不断地对输入的随机向量进行“加工”和“转化”。

从抽象到具体：最初的几层，就像画家在画布上打草稿一样，可能会产生一些非常抽象的“斑点”或者“线条”。这些东西本身可能看起来一点都不像一张脸，但它们包含了生成器“认为”这张脸应该有的某些基本特征的“可能性”。
放大与细化：随着信息一层层地通过网络，生成器会逐渐将这些抽象的特征“放大”和“细化”。就像画家在草稿的基础上，一点点勾勒出轮廓，添加五官，最后填充细节。
学习“像素”的组合：生成器实际上是在学习如何将这些抽象的特征，转化为具体的像素值。它通过一种叫做上采样（upsampling）的技术，逐步增加图像的尺寸，并填充更精细的像素信息。你可以想象成画家逐渐将画布上的模糊区域变得清晰，决定每个像素点的颜色和亮度。
“反卷积”（Deconvolution）或“转置卷积”（Transposed Convolution）：这是生成器用来放大和填充细节的关键技术。虽然名字听起来很复杂，但你可以把它理解成一种“反向”的卷积操作。普通的卷积是把一张大图变成小图，而生成器用这种“反卷积”是把小的、抽象的表示变成大的、具体的图像。它就像在“猜”如何将低分辨率的模糊信息“扩展”成高分辨率的清晰图像。

3. 输出：一张“伪造”的图片

经过层层“炼丹”，生成器最终会输出一张看起来像一张图片的像素矩阵。这张图片可能是一个人脸，可能是一只猫，也可能是一片风景，具体取决于它被训练来做什么。

那么，生成器是怎么学会画得像的呢？

这就是判别器（那位艺术评论家）发挥作用的地方。

判别器的工作：判别器也是一个神经网络，它的任务是接收一张图片（可能是真实的，也可能是生成器“伪造”的），然后判断这张图片是真实的还是伪造的。
对抗的训练：生成器和判别器是在一起训练的。
生成器努力画出让判别器“骗过”判别器，让判别器误以为是真品的图片。
判别器则努力变得更“聪明”，更准确地分辨出哪些是真品，哪些是假货。
反馈机制：当生成器画出的图片被判别器轻易识破时，生成器会收到一个“负反馈”，它会根据这个反馈调整自己的内部参数，下次再画的时候就会做得更好一些。反之，如果生成器成功“骗过”了判别器，它也会得到“奖励”，知道自己在这方面做得好，并继续优化。
持续进步：这个过程就像是一场猫鼠游戏，两者都在不断地学习和进步。生成器越来越擅长模仿真实数据的特征，而判别器也越来越精于识别细微的差异。最终，生成器能够创造出足以以假乱真的图像。

总结一下生成器产生图片的过程，就像一位画家在一次次猜测和修正中完成作品：

1. 起点：一个随机的“灵感”（随机向量）。
2. 构思：通过神经网络层层传递，将抽象的“灵感”转化为潜在的图像特征。
3. 绘画：利用“反卷积”等技术，将低维的特征“放大”和“细化”成像素。
4. 修改：根据判别器的“批评”，不断调整画技，直到能够“欺骗”判别器。

所以，生成器并不是“看到”了图片然后“复制”，而是通过对大量真实图片数据的统计规律学习，掌握了如何从一个随机点出发，一步步“构建”出一个符合这些规律的像素集合，最终形成我们看到的逼真图像。

网友意见

原 GAN（Goodfellow et al., 2014）的完整理论推导与 TensorFlow 实现请查看机器之心的 GitHub 项目与文章：GAN 完整理论推导与实现。

假设提问者已了解GAN的原理，只是单纯不知道G的工作过程。下面只介绍生成器G。

生成器G可以用深度神经网络来表示生成函数，而且限制仅限于可微。输入数据z可以从任意的分布中采样，G的输入也无需与深度网络的第一层输入一致（例如，可以将输入z分为两部分：z1和z2，分别作为第一层和最后一层的输入，如果z2服从高斯分布，那么（x | z1）服从条件高斯分布）。但z的维数要至少与x的维数一致，才能保证z撑满整个x样本空间。G的网络模型也不受任何限制，可以采用多层感知机、卷积网络、自编码器等。因此，GAN对生成器的限制很少。

拿DCGAN举个例子：

DCGAN是第一个把Batch normalization引入到GAN的网络架构，并且使用了Adam等方法，增强了网络的稳定性。

该网络有4个卷积层，所有的位于BN（输出层除外）和校正线性单元（ReLU）激活之后。

它将随机向量z（从正态分布中抽取）作为输入。将z重塑为4D形状之后，将其馈送到启动一系列上采样层的生成器中。

每个上采样层都代表一个步幅为2的转置卷积（Transpose convolution）运算。转置卷积与常规卷积类似。

一般来说，常规卷积从宽且浅的层延展为更窄、更深的层。转移卷积走另一条路。他们从深而窄的层次走向更宽更浅。

转置卷积运算的步幅定义了输出层的大小。在“相同”的填充和步幅为2时，输出特征的大小将是输入层的两倍。

发生这种情况的原因是，每次我们移动输入层中的一个像素时，我们都会将输出层上的卷积内核移动两个像素。换句话说，输入图像中的每个像素都用于在输出图像中绘制一个正方形。

将一个3x3的内核在一个步幅为2的2x2输入上进行转置，就相当于将一个3x3的内核在一个步幅为2的5x5输入上进行卷积运算。简而言之，生成器开始于这个非常深但很窄的输入向量开始。在每次转置卷积之后，z变得更宽、更浅。所有的转置卷积都使用5x5内核的大小，且深度从512减少到3——代表RGB彩色图像。

最后一层通过双曲正切（tanh）函数输出一个32x32x3的张量——值在-1和1之间进行压缩。

这个最终的输出形状是由训练图像的大小来定义的。在这种情况下，如果是用于SVHN的训练，生成器生成32x32x3的图像。但是，如果是用于MNIST的训练，则会生成28x28的灰度图像。

这个知乎专栏为深度学习而设，欢迎大家关注与投稿。

类似的话题

GAN的生成器是怎么产生图片的？

想象一下，我们有一位技艺精湛的画家，但这位画家什么都看不见，他唯一的任务就是尽他所能画出一张尽可能逼真的肖像。而我们还有一位挑剔的艺术评论家，他的职责是判断画作是来自一位真正的艺术家，还是出自这位“盲眼”画家之手。GAN（生成对抗网络）就是这样一个“画家”和“评论家”互相博弈的故事。生成器：那位“盲.............
GAN:固定训练好的判别器网络，去指导训练生成器为什么不可以？

GAN（生成对抗网络）的核心在于生成器（Generator）和判别器（Discriminator）的“对抗”与“协作”。你提出的问题——“固定训练好的判别器网络，去指导训练生成器为什么不可以？”——触及了GAN训练过程中的一个关键点，理解了这个问题，就等于抓住了GAN的命脉。核心原因：动态博弈与梯度.............
GAN生成的数据没有标签怎么用来训练分类模型？

这个问题很有意思，也非常实在。我们手里有一堆GAN生成的数据，看起来挺逼真，但就是没有对应的标签。怎么才能让这些“无名氏”数据帮我们训练一个好用的分类模型呢？这就像我们突然发现了一批外星来客，长得挺像地球人，但我们不知道他们来自哪个星球。核心问题就在于，GAN生成的数据虽然在外观上模仿了真实数据的分.............
生成式对抗网络GAN有哪些最新的发展，可以实际应用到哪些场景中？

生成式对抗网络（GAN）自2014年提出以来，经历了爆炸式的发展，并在人工智能领域掀起了新的浪潮。它的核心思想是通过两个神经网络——生成器（Generator）和判别器（Discriminator）——相互对抗来学习数据的分布，从而生成逼真的数据。生成器试图生成越来越逼真的数据来欺骗判别器，而判别器.............
为什么VAE-GAN的训练很容易发生梯度爆炸，如何避免？

VAEGAN 训练中梯度爆炸的问题，确实是困扰许多研究者和实践者的一个难题。这并非偶然，而是由 VAE 和 GAN 这两个模型的内在特性以及它们结合的方式共同决定的。要深入理解这个问题并找到有效的解决策略，我们需要一步步拆解。 VAEGAN 为什么容易梯度爆炸？首先，我们得回顾一下 VAE 和 GA.............
为什么没有大功率的GaN笔记本电源？

你说“大功率GaN笔记本电源”，让我想到最近几年笔记本电源行业里的一个热门话题：氮化镓（GaN）技术的应用。但要说“没有大功率的GaN笔记本电源”，这说法有点绝对了。实际上，大功率的GaN笔记本电源是存在的，而且数量和功率都在不断增长。不过，我理解你为什么会有这样的疑问。这可能涉及到几个方面的原因，.............
如何看待Yoav Goldberg 怒怼来自MILA的GAN for NLG的paper?

Yoav Goldberg 对来自 MILA 的 GAN for NLG (Generative Adversarial Networks for Natural Language Generation) 论文的批评，可以从以下几个方面来详细解读：Yoav Goldberg 的背景和立场：首先，理解.............
GAN 真的创造了新的信息吗？

GAN 真的创造了新的信息吗？这是一个相当深入的问题，触及了人工智能、创造力和信息本质的核心。要回答这个问题，我们需要跳出“AI 产物”的标签，深入探讨 GAN 的工作原理以及它在我们理解“创造”时的含义。GAN 的工作原理：一场“模仿”与“反模仿”的博弈GAN，也就是生成对抗网络，本质上是由两个神.............
如何评价小米即将发布的 33W GaN 充电头？

关于小米即将推出的这款33W GaN充电头，我们可以从几个维度来好好说道说道。毕竟，小米在充电配件这个领域，无论是快充技术还是产品迭代速度，一直都挺让人关注的。首先，33W这个功率档位，怎么看？33W，这个数字本身放在今天看，不算最顶尖，但绝对是个“甜蜜点”。你想想，现在旗舰手机动辄100W、120.............
GAN（对抗生成网络）可以被用于哪些（商业或潜在商业）实际问题？

GANs，也就是生成对抗网络，这东西自从问世以来，就一直是AI界的热点，也确实是实打实地在解决一些咱们日常生活中就能碰到的问题，或者说，是未来我们可能会遇到的、现在已经看到雏形的问题。咱们不妨掰开了揉碎了聊聊，看看它到底能干啥，而且是那种让人觉得“这AI挺有用的”那种。1. 艺术创作和内容生成：让“.............
为啥gan里面几乎不用pooling？

你这个问题问得挺实在的，确实，在经典的生成对抗网络（GAN）架构里，你会发现和很多我们熟悉的卷积神经网络（CNN）相比，池化（Pooling）操作的身影要少得多，甚至在很多主流GAN模型中，几乎看不到它的存在。这背后的原因，就像是一场精心策划的“去粗取精”的博弈，GAN的独特目标和生成高质量图像的需.............
目前哪款GaN氮化镓65W充电器最推荐购买？

最近几年，氮化镓（GaN）充电器可以说是彻底火了。它小巧的体积、强大的功率输出，以及高效的发热控制，让很多人告别了沉重的原装充电器，拥抱轻便高效的新选择。尤其是在65W这个功率段， GaN充电器已经成为了许多数码爱好者和普通消费者的首选。那么，在琳琅满目的65W GaN充电器中，到底哪款最值得入手呢.............