接續昨天內容
生成式對抗網路如何運作？
生成式對抗網路系統包括兩個深度神經網路 — 產生器網路和鑑別器網路。
這兩個網路在對抗性遊戲中訓練模型，其中一個網路嘗試產生新資料，另一個網路嘗試預測輸出是虛假資料還是真實資料。
從技術上講，GAN 的運作方式如下。複雜的數學方程式構成整個運算程序的基礎，以下是其簡單的概述：
產生器神經網絡神經網路分析訓練集並識別資料屬性
鑑別器神經網路分析初始訓練資料並獨立區分屬性
產生器透過向某些屬性新增雜訊 (或隨機變化) 來修改某些資料屬性
產生器將修改的資料傳遞給鑑別器
鑑別器計算產生輸出屬於原始資料集的概率
鑑別器為產生器提供一些指導，以減少下一個週期中雜訊向量隨機化
產生器嘗試最大限度提高鑑別器發生錯誤的概率，而鑑別器嘗試將錯誤的可能性降到最低。
在訓練反覆運算中，產生器和鑑別器會不斷演變並相互對抗，直到它們達到平衡狀態。在平衡狀態下，鑑別器無法再辨識合成資料。培訓的程序到此結束。
（網站生成式AI（Generative AI）的歷史可以追溯到人工智能的早期發展，但其真正的發展是在近年來深度學習技術進步的基礎上實現的。以下是生成式AI歷史的一些重要里程碑：

1. 早期生成技術與AI基礎
   • 1950-60年代：在這一時期，計算機科學家開始研究如何讓計算機模仿人類的創造力。艾倫·圖靈提出的圖靈測試也為未來的AI研究奠定了理論基礎。
   • 1970年代：早期的生成技術包括一些簡單的規則系統和隨機生成方法，比如用來創造詩歌或音樂的算法，但這些方法非常有限。
2. 生成模型的引入
   • 1980年代：研究人員開始探索如何通過機器學習來生成內容。反向傳播算法（Backpropagation）的發現推動了神經網絡的發展，雖然當時的技術受限，但為日後的突破打下了基礎。
3. 深度學習時代的到來
   • 2010年代初：隨著計算能力的提高，特別是GPU（圖形處理單元）的進步，深度學習模型得以蓬勃發展。這時期，卷積神經網絡（CNN）和遞歸神經網絡（RNN）得到了廣泛應用，特別是在圖像生成和語言處理領域。
4. 生成對抗網絡（GANs）的誕生
   • 2014年：伊恩·古德費羅（Ian Goodfellow）和他的同事提出了生成對抗網絡（GANs）的概念，這是一種使用兩個神經網絡相互競爭的模型，一個生成數據，另一個則試圖區分真假數據。GANs在生成圖像和視頻等方面取得了驚人的效果，成為生成式AI的重大突破。
5. 自回歸模型與自然語言生成
   • 2018年：OpenAI推出了GPT（Generative Pre-trained Transformer）模型，它是一種基於Transformer架構的自回歸模型，專注於自然語言的生成和理解。GPT系列模型的發展，特別是GPT-3，在生成文本的流暢度和上下文理解上達到了前所未有的高度，使得生成式AI在文字創作、對話生成等方面得到了大規模應用。
6. 擴散模型與強化學習的應用
   • 2020年代：在圖像生成方面，除了GANs，擴散模型（Diffusion Models）等新技術也開始興起。這些模型能夠以更加穩定的方式生成高質量的圖像。此外，生成式AI還融合了強化學習技術，進一步提高了AI生成的質量與效率。
7. 跨模態生成
   • 2020年代初期：生成式AI開始應用於多模態數據的生成，這意味著AI能夠同時生成文字、圖像、音頻、甚至3D模型。OpenAI的DALL·E和CLIP等模型展示了將語言轉化為圖像的能力，進一步擴大了生成式AI的應用範圍。
8. 現今與未來發展
   • 如今，生成式AI已經深入應用到各個行業，包括藝術創作、遊戲開發、電影製作、醫療、金融等領域。隨著技術的進一步發展，生成式AI將在更多領域中發揮更大的作用。

在資訊橫行的時代，由大型語言生成的內容，能在短時間統整並學到很多知識，在查證過後，正確率很高，也因此是很好的學習工具，但還是要多方查證，不能只聽信單方解答，學習才能事半功倍喔！

機器學習的基礎
參考網站1：https://aws.amazon.com/tw/what-is/gpt/
參考網站2：https://aws.amazon.com/tw/what-is/gan/