「埃尔法哥哥」快速看懂如何使用GAN生成“真实”的人脸( 四 )

GAN收敛很难确定。
随着生成器在训练中的改进，判别器的性能会变差，因为判别器无法轻易分辨真假之间的区别。如果生成器成功完成，则判别器的准确性为50％。实际上，判别器会向掷硬币那样进行预测。
这种进展为GAN的整体收敛提出了一个问题：随着时间的流逝，判别器反馈的意义逐渐减弱。如果GAN继续进行训练，直到判别器给出完全随机的反馈，则生成器将开始根据垃圾反馈进行训练，其质量可能会下降。
随着时间的流逝，我们周围存在的这些算法在做事上会越来越好，这意味着这些生成模型在生成模仿对象方面可能会变得更好。很有可能另一个崭新的生成模型即将出现。这项技术可以用于许多美好的事物。但是，还有潜在的不良后果。在这样的世界中，宣传可能会更容易传播。本质上，这些新的生成模型具有足够的时间和数据，它们几乎可以从任何分布生成令人信服的样本。
结论：GAN的未来
无监督学习是人工智能的下一个前沿领域，我们正在朝着它前进。 GAN和生成模型一般都很有趣且令人困惑。它们向我们越来越依赖人工智能的世界迈出了又一步。 GAN在诸如生成图像数据集示例，生成真实照片，图像到图像翻译，文本到图像翻译，语义图像到照片翻译，面部正面视图生成等情况下具有大量应用程序新的人类姿势，面部老化，视频预测， 3D对象生成等。