一個學習GAN的交互式網(wǎng)站：GAN Lab！

今天，Google AI和喬治亞理工學院的研究人員發(fā)布了一個學習GAN的交互式網(wǎng)站：GAN Lab！由TensorFlow.js驅(qū)動，在瀏覽器就可以運行GAN。

Google AI和喬治亞理工學院的研究人員發(fā)布了一個學習GAN的交互式網(wǎng)站：GAN Lab！由TensorFlow.js 驅(qū)動，在瀏覽器就可以運行GAN，非常直觀地了解各種GAN模型的機制，可謂是一大神器。發(fā)布后迅速獲得好評。

GAN Lab地址：

https://poloclub.github.io/ganlab/

GitHub：

https://github.com/poloclub/ganlab

論文：

http://minsuk.com/research/papers/kahng-ganlab-vast2018.pdf

網(wǎng)站提供四種數(shù)據(jù)分布類型，也可以自定義自己的數(shù)據(jù)分布，可以使用預訓練模型。

點擊運行按鈕后，即可查看模型的可視化呈現(xiàn)：

許多機器學習系統(tǒng)需要查看某種復雜的輸入（例如圖像），然后產(chǎn)生簡單的輸出（例如“cat”之類的標簽）。相比之下，生成模型的目標恰恰相反：取一小部分輸入（可能是一些隨機數(shù)），然后產(chǎn)生復雜的輸出，例如一張看起來很逼真的人臉圖像。生成對抗網(wǎng)絡（GAN）是一種特別有效的生成模型，從幾年前推出以來，一直是機器學習的一個熱門研究主題。

機器從頭開始“創(chuàng)造”一幅逼真的圖像，這一想法看似神奇，但是GAN使用兩個關鍵技巧將看似不可能的目標變?yōu)楝F(xiàn)實，即建立兩個競爭的網(wǎng)絡——生成器（generator）和判別器（discriminator）。生成器嘗試創(chuàng)建隨機的合成輸出（例如，面部圖像），而鑒別器試圖將這些輸出與實際輸出（例如，名人的數(shù)據(jù)庫）區(qū)分開來。當兩個網(wǎng)絡互相對抗，它們將能變得越來越好——最終結(jié)果是能夠產(chǎn)生逼真輸出的生成網(wǎng)絡。

GAN非常復雜，其可視化也有很多難題。研究者的基本想法是：

首先，沒有把任何像生成真實圖像這樣復雜的東西形象化。而是展示一個GAN在二維空間中如何學習點的分布（distribution of points）。這樣簡單的東西沒有真正的應用，但是有助于展示系統(tǒng)的機制。因為普通二維(x,y)空間中的概率分布比在高分辨率圖像空間中的分布更容易可視化。

在兩個位置展示數(shù)據(jù)分布

單擊工具欄上的播放按鈕即可運行模型。 除了所選擇的分布中的實際樣本，你還會看到模型生成的假樣本。隨著訓練的進行，假樣本的位置不斷更新。完美的GAN創(chuàng)建的假樣本分布與實際樣本的分布幾乎無法區(qū)分。當發(fā)生這種情況時，在分層分布視圖中，你將看到兩個分布很好地重疊了。

隨著訓練的進行，假樣本的位置不斷更新。最后，真實樣本和假樣本的分布發(fā)生重疊。

生成器的數(shù)據(jù)轉(zhuǎn)換可視化為流形，將輸入噪聲（最左邊）轉(zhuǎn)換為假樣本（最右邊）。

鑒別器的性能可以通過2Dheatmap解釋。