理解深度学习：第十五章 生成对抗网络
原文中文，约29100字，阅读约需70分钟。
📝
内容提要
本文介绍了生成对抗网络（GAN）的应用和改进，包括训练困难和稳定性问题以及改进技巧。还讨论了条件生成模型、InfoGAN和图画翻译的应用。最后介绍了StyleGAN，它能够调控输出图画的风格和噪声。
❓
Q&A
生成对抗网络（GAN）是如何工作的？
生成对抗网络由生成器和辨别器组成，生成器生成样本，辨别器判断样本的真实性。两者通过对抗训练相互提升性能。
GAN训练中常见的挑战是什么？
GAN训练面临不稳定性、难以覆盖所有样本类型和梯度消失等问题。
什么是条件生成对抗网络（cGAN）？
条件生成对抗网络通过输入特征向量来控制生成样本的特定属性，使得生成的样本符合特定条件。
StyleGAN与传统GAN有什么不同？
StyleGAN能够在不同层级上调控输出图像的风格和噪声，允许更细致的风格控制。
如何提高GAN的训练稳定性？
可以通过使用Wasserstein距离、批量归一化、调整学习率等方法来提高GAN的训练稳定性。
Pix2Pix和CycleGAN有什么区别？
Pix2Pix使用成对图像进行训练，而CycleGAN则可以在没有成对样本的情况下进行图像风格转换。
🏷️
