生成對抗網路(GAN)是非監督式學習的一種方法,主要由兩個神經網路(鑑別網路及生成網路)構成,透過兩者相互對抗產生結果.生成對抗網路可以想像成真畫鑑定師與仿畫家的一場對決,仿畫家畫出仿作讓鑑定師判別真偽,根據評斷結果再繼續畫出比原本更好的作品,鑒定師也藉由不斷判斷真偽來增強鑑定水準,最後結果為得到一幅以假亂真的機器畫.

生成對抗網路

生成對抗網路是深度學習的一大重要突破,早期訓練神經網路主要是透過提供大量的標記數據提供計算機分析(監督式學習),像是知名的人工智慧圍棋軟體AlphaGo,前期的訓練是藉由人類輸入的大量棋譜進行監督式學習,而後期開始自我對弈的則是非監督式學習,某些層面上有點類似於對抗訓練.
而生成對抗網路透過自己相互對抗的生成與鑑別網路，大幅減少資料量的需求，也為非監督式學習提供了更為進步的方法.

生成對抗網路的應用

1. 時尚廣告
   可用於建立虛構時裝模特的相片,無需花費多餘的人事費用.也能夠建立不同群體的模特兒,以增加特定群體的購買意圖.
   
2. 科學
   可以改善天文圖像,並類比重力透鏡以進行暗物質研究.
   
3. 遊戲
   以4k或更高解析度重新建立低解析度2D紋理,並透過適當的訓練提供更清晰、高於原始的2D紋理圖像品質.
   

參考資料：

• https://zh.m.wikipedia.org/zh-tw/%E7%94%9F%E6%88%90%E5%AF%B9%E6%8A%97%E7%BD%91%E7%BB%9C
• https://mofanpy.com/tutorials/machine-learning/torch/intro-GAN
• https://medium.com/@hiskio/%E7%94%9F%E6%88%90%E5%B0%8D%E6%8A%97%E7%B6%B2%E8%B7%AF%E5%88%B0%E5%BA%95%E5%9C%A8gan%E9%BA%BB-f149efb9eb6b
• https://github.com/hindupuravinash/the-gan-zoo
• https://datagrid.co.jp/
• https://developer.nvidia.com/blog/researchers-harness-gans-for-super-resolution-of-space-simulations/