在上篇介紹 AutoEncoder 的應用時有提到 VAE（Variational Autoencoder） 可以生成圖片，但是它有一些限制。VAE 實際上沒有真正的 學習 怎麼生成圖片，它只是在模仿，因此產生出來的圖片往往是圖片集中的線性組合的結果，而沒辦法真正產生新的圖片。要怎樣能突破這些問題呢？這就是本篇所要介紹：Generative Adversarial Network（GAN）魔法陣

截圖自 [地圖] 深度學習世界的魔法陣們

在本系列 英雄集結：深度學習的魔法使們 的文章中曾有幾次引用過《Deep Learning》一書的內容，其作者 Ian Goodfellow 就是提出 GAN 的人，相傳他是在酒吧裡時靈機一動，回家熬夜寫出來的。

經 Ian Goodfellow 本人證實過是真的

以下用淺白的動圖說明 GAN 的概念：

圖片來源：https://multithreaded.stitchfix.com/blog/2016/02/02/a-fontastic-voyage/

GAN 由生成器 （Generator）和判斷器 (Discriminator) 兩個神經網絡所組成，這兩個神經網絡擁有不一樣的目標，相互對抗。很常聽到的形容是，Generator是負責做假鈔的人，Discriminator是警察檢驗是否為假鈔。因為之間的對抗關係，所以稱為生成對抗網絡。

那為什麼 GAN 產生的圖片會優於 VAE 所產生的呢？關鍵在於 VAE 作法的目標是圖片越相似越好，但實際上越相似可能不是最好。而 GAN 是透過 discriminator 來達成目標，不像 VAE 偏表面學習，GAN 是學習精神本質的。

• GAN 的變形 （GANs）
  GAN 的變形夥伴有非常非常多，不相信的話看這篇《The GAN Zoo》整理的 GAN 變形一覽就知道了。以下放幾個有趣的 GAN 應用給大家看：

  • pix2pix：提供線上版讓大家動手玩
    

  • CycleGAN：可以把馬變成斑馬
    
    還有把館長變正妹的影片。

  • 3D-GAN：生成 3D 的圖片
    

這些只是冰山一角，下一篇就來整理 GANs 的應用場景吧！