引言：前有阿爾法狗後有Dota2機器人，AI技術涉足的領域愈來愈廣，能力也愈來愈強大。如今可使用AI技術自動生成插畫，看來插畫師們要有危機意識了。具體實現方法見論文《Create Anime Characters with A.I. !》，論文主要是經過各式屬性生成二次元人物的頭像，使用的方法是cGAN。微信
經過頭髮、五官、表情等屬性來實現人物的生成，左側屬性具體爲blonde hair, twin tails, blush, smile, ribbon, red eyes生成的人物，右側屬性具體爲silver hair, long hair, blush, smile, open mouth, blue eyes生成的人物。網絡
模型生成的隨機樣本：app
固定cGAN噪聲部分生成的樣本，此時人物具備不一樣的屬性，可是面部細節和麪朝的角度基本一致：機器學習
做者搭建了一個網站MakeGirls.moe，咱們能夠利用訓練好的模型生成圖像。學習
根據界面上的信息選擇想生成圖像的相應屬性，點擊generate，生成圖像，查看結果。舉例以下：優化
下面來介紹一下論文中涉及到的GAN網絡網站
自從 Ian Goodfellow 在 2014 年發表了 論文 Generative Adversarial Nets 以來，生成式對抗網絡 GAN 廣受關注，加上學界大牛 Yann Lecun 在 Quora 答題時曾說，他最激動的深度學習進展是生成式對抗網絡，使得 GAN 成爲近年來在機器學習領域的新寵。人工智能
GAN 啓發自博弈論中的二人零和博弈（two-player game），GAN 模型中的兩位博弈方分別由生成式模型（generative model）和判別式模型（discriminative model）充當。生成模型 G 捕捉樣本數據的分佈，用服從某一分佈（均勻分佈，高斯分佈等）的噪聲 z 生成一個相似真實訓練數據的樣本，追求效果是越像真實樣本越好；判別模型 D 是一個二分類器，估計一個樣原本自於訓練數據（而非生成數據）的機率，若是樣原本自於真實的訓練數據，D 輸出大機率，不然，D 輸出小几率。能夠作以下類比：生成網絡 G 比如假幣制造團伙，專門製造假幣，判別網絡 D 比如警察，專門檢測使用的貨幣是真幣仍是假幣，G 的目標是千方百計生成和真幣同樣的貨幣，使得 D 判別不出來，D 的目標是千方百計檢測出來 G 生成的假幣。如圖所示：spa
在訓練的過程當中固定一方，更新另外一方的網絡權重，交替迭代，在這個過程當中，雙方都極力優化本身的網絡，從而造成競爭對抗，直到雙方達到一個動態的平衡（納什均衡），此時生成模型 G 恢復了訓練數據的分佈（造出了和真實數據如出一轍的樣本），判別模型再也判別不出來結果，準確率爲 50%，約等於亂猜。.net
上述過程能夠表述爲以下公式：
當固定生成網絡 G 的時候，對於判別網絡 D 的優化，能夠這樣理解：輸入來自於真實數據，D 優化網絡結構使本身輸出 1，輸入來自於生成數據，D 優化網絡結構使本身輸出 0；當固定判別網絡 D 的時候，G 優化本身的網絡使本身輸出儘量和真實數據同樣的樣本，而且使得生成的樣本通過 D 的判別以後，D 輸出高几率。
本文分享自微信公衆號 - AI MOOC人工智能平臺（AIMOOC_XLAB）。
若有侵權，請聯繫 support@oschina.cn 刪除。
本文參與「OSC源創計劃」，歡迎正在閱讀的你也加入，一塊兒分享。