EPIK介紹

專業編輯道具與強大的AI技術，編輯照片輕鬆又簡單。

[AI道具]、[專業照片編輯工具]、[完美的人物照片]、[流行內容]、[創意道具]、[影片功能]

實際應用：猜一猜

• 明星都在玩Yearbook

生成對抗網絡（GAN）

生成對抗網絡（GAN）是一種深度學習模型，由生成器和鑑別器組成。這種模型的目標是使生成器能夠生成逼真的數據，而鑑別器則能夠區分生成的數據與真實數據。

圖片來源：Decoding the Basic Math in GAN — Simplified Version

1. 生成器（Generator）： 生成器的目標是生成看起來像真實樣本的數據。它接收隨機噪聲或潛在表示，然後通過網絡層進行轉換，生成與訓練數據相似的圖像或數據。
   例子：
   『戴眼鏡的男人』- 『不戴眼鏡的男人』= 『眼鏡』
   『眼鏡』+ 『不戴眼鏡的女人』= 『戴眼鏡的女人』
2. 鑑別器（Discriminator）： 鑑別器的目標是區分生成器生成的假樣本和真實訓練數據。它接收來自生成器的樣本和真實數據，然後試圖區分兩者。鑑別器的訓練目標是最大限度地提高區分真假樣本的能力。
3. 對抗訓練：生成器和鑑別器之間進行對抗過程。生成器努力生成越來越逼真的數據，而鑑別器則努力更好地區分真實和假的數據。這種競爭過程推動模型不斷提升，直到生成器生成的數據難以區分是否為真實。

GAN廣泛應用於圖像生成、風格轉換、超分辨率等任務。

更詳細的介紹篇：An Intuitive Introduction to Generative Adversarial Networks (GANs)

應用

• 風格轉換

圖片來源：Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks

• 高解析度影像生成
  

圖片來源：Tutorial on Deep Generative Models

• 壓縮圖像
  

圖片來源：Tutorial on Deep Generative Models

結論

『生成對抗網路』（Generative Adversarial Network，GAN）透過僅有少量真實資料的情況下，能夠產生大量的訓練資料，顯然是一種『非監督式』（Unsupervised）的模型。相較於以前的CNN/RNN模型，它們是屬於『監督式』（Supervised）的，需要大量標註資料來進行訓練。GAN的出現被視為神經網路的一大進步。
GAN採用類似金庸小說『老頑童周伯通雙手互搏』的概念，即雙方互相競爭（AlphaGo也採用了這樣的思想），一方面提高模型的準確度，另一方面能夠生成高品質的訓練資料。

參考資料

• https://today.line.me/tw/v2/article/mZMNqe
• https://ithelp.ithome.com.tw/articles/10196257
• https://medium.com/@influxpop/%E7%94%9F%E6%88%90%E5%B0%8D%E6%8A%97%E7%B6%B2%E8%B7%AF-generative-adversarial-network-%E6%98%AF%E4%BB%80%E9%BA%BC-9d5e9b9da45b
• https://github.com/jonbruner/generative-adversarial-networks/blob/master/gan-notebook.ipynb

猜一猜圖片來源：王思佳Instagram、陳意涵Instagram、瘦子E.SO Instagram、唐綺陽占星幫 Facebook)