今天將延續昨天的主題，繼續講解GAN。

生成對抗網路

GAN訓練步驟

• 固定生成網路來訓練判別網路:利用真實資料與生成網路隨機產稱的假資料一起輸入判別網路，不斷訓練牠來學習判斷何者為真何者為假，直至判別網路具備非常高的判斷準確率為止。
• 固定判別網路再訓練生成網路:只利用生成網路產生大量的假圖像給已經訓練好的判別網路鑑定，判別網路不斷的找出瑕疵並回饋給生成網路，如此不斷來訓練生成網路製造偽裝的功力，直到生成網路以假亂真。

GAN的優點

• 可以創造出大量品質優秀的標註資料，解決深度學習最大問題:深度學習由於深度複雜、參數多，常常需要大量的標註資料，但標注資料成奔本高又耗時。但GAN不須人為標註，他只需利用小量真實資料，就可產生品質好、大量的標註資料，也解決了監督是學習標註資料太少的問題。
• 可產生許多有創意的輸出:GAN透過風格轉換技術，自動融合轉換各種不同的資料，來產生各種有創意的運用，例如:輸出可以以假亂真的名畫、藝術品等等

GAN主要運用

• 圖像的生成:可以生成各種圖像，例如:人臉、汽車、水果、家具，甚至可以透過風格轉換生成畢卡索、梵谷等等大師的藝術作品。
• 語音的生成:各種音樂、語音的生成。
• 文本的生成:各種信件、短詩、短文甚至是假新聞等等。
• 資安的偵測與對抗:利用生成網路不斷產生各種隱藏偽裝技術很好的病毒，並由判別網路來偵測病毒。同時提高了偵測能力也提高了駭客偽裝病毒的能力。
• 詐騙的偵測與對抗:生成網路產生千百種的詐騙交易方式，進行詐騙與洗錢，同時判別網路來進行防守，不放過任何一個交易。

遷移式學習

所謂遷移式學習(Transfer Learning, TL)指將現有訓練好的模型稍加調整，應用到另一個相類似於新領域的機器學習模式，意思是說將一個帶有大量標註的資料的來源領域的知識，遷移到另一個帶小量標註資料的目標領域，使其能成為有效率學習的一種機器學習模式。例如:

• 圖像辨識:利用已經訓練好圖形辨識的CNN網路模式，稱為來源模式(Source Model)，其本來就擅長辨識上千種圖形，新的使用者只要加上少數樣本，放在來源模式上，就可以變成一種辨別準確率高的目標模式。遷移式學習的應用範疇很廣。例如:借用原來辨識肺癌的網路模式，遷移到辨識腦癌的任務。
• 在自然語言處理:以下為常見應用:
  1.利用原來訓練好辨識英文的自然語言模式去訓練法文。
  2.原來分析使用者評論美食的模式，遷移到辨識新的網路遊戲模式的評論。
  3.借用訓練好的通用型語言模型去處理各種不同種類的語言任務，例如:關鍵字抽取、語言翻譯、摘要生成、文本分類等等。

遷移式學習主要應用

• 利用風格轉換AI繪畫
• 自駕車的駕駛訓練
• 輿情分析
• 推薦系統
• 個性化聊天機器人
• 語音辨識
• 文本分析

參考資料
人工智慧-概念應用與管理 林東清 著