数据词典：生成式对抗网络（Generative Adversarial Network）

赵老师

生成式对抗网络（GAN：Generative Adversarial Network）是一种典型的混合型神经网络。GAN由生成模型和判别模型两部分构成。生成模型和判别模型都可以看作一个黑盒子，实现从输入到输出的非线性映射。所以，生成模型和判别模型可以选取不同的人工神经网络模型，然后通过迭代训练确定最终的网络参数。但是，生成模型和判别模型各自的功能不同。生成模型的作用是输入一个噪声或样本，输出一个与真实样本尽可能相似（接近）的样本。判别模型的作用就是实现一个二分类器，判定输入的数据是否为真实样本，即区分输入样本是来自真实数据的样本，还是由生成模型生成的仿真样本。

GAN最初的目的是当深度学习的训练集数据不够充分时，通过GAN来生成有效训练数据，从而提升深度学习模型的泛化能力。因为通过GAN可以自动学习出原始真实样本集的数据分布。不管原始数据的分布有多么复杂，只要GAN训练足够好就可以学习出来。但是，现在GAN的应用远不止于此。例如，GAN在无监督学习、半监督学习、图像风格迁移、图像降噪修复、图像超分辨率等方面都有很好的应用效果。

【出处】鲍军鹏,张选平.人工智能导论（第2版）,机械工业出版社,2021年1月.