今天，Google AI和喬治亞理工學(xué)院的研究人員發(fā)布了一個(gè)學(xué)習(xí)GAN的交互式網(wǎng)站：GAN Lab！由TensorFlow.js驅(qū)動(dòng)，在瀏覽器就可以運(yùn)行GAN。

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

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(yù)訓(xùn)練模型。

點(diǎn)擊運(yùn)行按鈕后，即可查看模型的可視化呈現(xiàn)：

許多機(jī)器學(xué)習(xí)系統(tǒng)需要查看某種復(fù)雜的輸入（例如圖像），然后產(chǎn)生簡(jiǎn)單的輸出（例如“cat”之類的標(biāo)簽）。相比之下，生成模型的目標(biāo)恰恰相反：取一小部分輸入（可能是一些隨機(jī)數(shù)），然后產(chǎn)生復(fù)雜的輸出，例如一張看起來很逼真的人臉圖像。生成對(duì)抗網(wǎng)絡(luò)（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(jī)器學(xué)習(xí)的一個(gè)熱門研究主題。

機(jī)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(gè)關(guān)鍵技巧將看似不可能的目標(biāo)變?yōu)楝F(xiàn)實(shí)，即建立兩個(gè)競(jìng)爭(zhēng)的網(wǎng)絡(luò)——生成器（generator）和判別器（discriminator）。生成器嘗試創(chuàng)建隨機(jī)的合成輸出（例如，面部圖像），而鑒別器試圖將這些輸出與實(shí)際輸出（例如，名人的數(shù)據(jù)庫）區(qū)分開來。當(dāng)兩個(gè)網(wǎng)絡(luò)互相對(duì)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(luò)。

GAN非常復(fù)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(shí)圖像這樣復(fù)雜的東西形象化。而是展示一個(gè)GAN在二維空間中如何學(xué)習(xí)點(diǎn)的分布（distribution of points）。這樣簡(jiǎn)單的東西沒有真正的應(yīng)用，但是有助于展示系統(tǒng)的機(jī)制。因?yàn)槠胀ǘS(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(gè)位置展示數(shù)據(jù)分布

單擊工具欄上的播放按鈕即可運(yùn)行模型。 除了所選擇的分布中的實(shí)際樣本，你還會(huì)看到模型生成的假樣本。隨著訓(xùn)練的進(jìn)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(shí)際樣本的分布幾乎無法區(qū)分。當(dāng)發(fā)生這種情況時(shí)，在分層分布視圖中，你將看到兩個(gè)分布很好地重疊了。

隨著訓(xùn)練的進(jìn)行，假樣本的位置不斷更新。最后，真實(shí)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。