生成模型与判别模型的真实世界实例

Question

在研究了生成模型和判别模型背后的数学/统计之后，我仍然没有直觉。有没有人有一个好的现实世界的例子或用例生成模型和鉴别模型？谢谢!

Answer 1

生成模型能够从给定的分布生成实例。因此，让我们尝试让我们的模型从所有手写数字的分布中生成实例。这包括数字0到9，对于这些数字中的每一个，都有一套非常大的可能的方法来编写相同的数字。从MNIST数据集中获取数字4，该数据集由手写数字组成。

您可以快速地看到这些数字中有多少种不同的书写方式，但仍然表示相同的值。这就是我们想要用我们的生成模型来捕捉的分布。该模型通过训练生成器来有效地尝试和欺骗经过训练以区分真实和人工实例与期望分布的鉴别器。当判别器不再区分人工实例和实际实例时，可以说生成模型能够成功地生成与这种分布相匹配的实例。

换句话说，一旦生成器开始生成实际数字，我们就可以说生成器生成的实例与MNIST数据集中捕获的实例相匹配。

这种匹配发行版的思想可以应用于广泛的应用程序，在这些应用程序中，您需要从发行版中提取。有些是为了演示这些技术，但没有任何真正有用的应用程序，还有一些非常有用的应用程序，这些应用程序目前正用于许多任务。以下是一些例子的简短列表：

• 生成人工人脸
• 文本到图像生成
• 产生假声音或噪音
• 图像去噪
• 改变图像中的几何图形
• 着色图像
• MRI图像重建

最重要的是，对生成新口袋妖怪。

理论上，如果有足够的数据，任何分布(世界上的任何东西，包括世界本身)都可以用一个生成模型来建模，我们可以从中提取实例。因此，在遥远的将来，每当你想到一个模拟的时候，一些生成模型就能观察到多个真实的例子，然后产生大量的模拟例子。例如，模拟车祸，一个生成模型可以可视化多个真实的撞车，然后我们可以使用生成模型为测试目的产生数百万个类似的实例，而不必购买更多的汽车。当然，GANs并不是那么强大，它们需要大量的数据来学习非常约束的分布。然而，通过创新，任何事情都是可能的，在此之前，我们可以继续生成手写数字和卧室场景的图像。