生成式对抗网络研究综述

生成式对抗网络：从生成数据到创造智能王坤峰;左旺孟;谭营;秦涛;李力;王飞跃【期刊名称】《自动化学报》【年(卷),期】2018(044)005【总页数】6页(P769-774)【作者】王坤峰;左旺孟;谭营;秦涛;李力;王飞跃【作者单位】中国科学院自动化研究所复杂系统管理与控制国家重点实验室北京100190;青岛智能产业技术研究院青岛266000;哈尔滨工业大学计算机科学与技术学院哈尔滨150001;北京大学信息科学技术学院北京100871;微软亚洲研究院北京100080;清华大学自动化系北京100084;中国科学院自动化研究所复杂系统管理与控制国家重点实验室北京100190;国防科技大学军事计算实验与平行系统技术研究中心长沙410073【正文语种】中文技术创新是社会经济发展的核心驱动力.继以物联网、云计算、大数据和移动互联网为代表的信息技术之后,以深度学习为代表的人工智能技术蓬勃发展,被公认是社会经济发展的新动能和新引擎,有望在农业生产、工业制造、经济金融、社会管理等众多领域产生颠覆性变革.生成式对抗网络(Generative adversarial networks,GAN)作为一种新的生成式模型,已成为深度学习与人工智能技术的新热点,在图像与视觉计算、语音语言处理、信息安全等领域中展现出巨大的应用和发展前景.1 GAN的原理与现状生成式对抗网络GAN是由Goodfellow等[1]在2014年提出的一种生成式模型.其核心思想来源于博弈论中的二人零和博弈.基本的GAN模型在结构上由一个生成器(Generator)和一个判别器(Discriminator)组成,如图1所示.从某个概率分布pz(例如高斯分布)中采样随机变量z,作为生成器G的输入,经过G的非线性映射,输出信号G(z).取决于G的结构和计算复杂性,从z到G(z)一般经过高度复杂的非线性变换,使得随机变量G(z)具备拟合高度复杂分布的能力.不失一般性,将G(z)称为生成数据(或伪数据),相应地将来自物理世界的数据x称为真实数据.判别器D以G(z)或x为输入,通过计算其属于真实数据的概率,判断输入数据是来自于真实数据还是生成数据.由于G和D一般采用高度非线性并且可微的深度神经网络结构,因而均可以采用端对端学习策略进行训练.具体而言,在训练G和D 时,采用对抗学习策略,使二者的训练目标相反.D的目标是最大化对数似然函数以判断G(z)和x的来源,将G(z)判断为生成数据,将x判断为真实数据.与之相对的是,G的目标是最小化对数似然函数,使G(z)的分布pg逼近真实数据x的分布pdata.不断迭代此对抗训练过程,交替更新判别器D和生成器G的参数,使D和G的性能不断提高;当达到平衡状态时,则认为G(z)学习到了真实数据x的分布空间,此时G(z)和x在分布上不具有差异性,判别器D无法对数据来源做出正确的判断.Goodfellow等[1]从理论上证明了当GAN模型收敛时,生成数据具有和真实数据相同的分布.但是在实践中,GAN的收敛性和生成数据的多样性通常难以保证[2].主要存在两个问题:生成器梯度消失和模式坍塌(Mode collapse).梯度消失是指由于生成器G和判别器D的训练不平衡,判别器D的性能很好,对生成数据G(z)和真实数据x能够做出完美的分类,那么D 对应的误差损失将很小,进而反向传播到G的梯度值很小,使得生成器G不能得到有效的训练.模式坍塌是指对于任意随机变量z,生成器G仅能拟合真实数据分布pdata的部分模式,虽然G(z)与真实数据x在判别器D难以区分,但是生成器G无法生成丰富多样的数据.为了解决GAN模型存在的问题,国内外学者提出了许多衍生模型[3].例如,Arjovsky 等[4]提出了Wasserstein GAN,用Earth-mover距离代替Jensen-Shannon散度,来度量生成数据分布与真实数据分布之间的差异,在很大程度上缓解了梯度消失和模式坍塌问题.图2显示了arXiv上GAN 论文数量 (以 Generative adversarial networks、Generative adversarial nets和Adversarial learning为关键词检索得到)的变化趋势,反映了GAN的研究热度变化.可以看出,Goodfellow等提出GAN后的两年内,相关论文的数量并不多,但是从2016年下半年开始,论文数量快速增长.图1 GAN的基本结构和计算流程Fig.1 Basic structure and computation procedure of GAN图2 arXiv上GAN论文数量的变化趋势Fig.2 Trend of the number of GAN papers published on arXiv另外,有许多衍生模型是从应用的角度提出的.例如,图像到图像转换具有广泛的应用,Zhu等[5]提出了CycleGAN,它包括两个生成器和两个判别器,在对抗损失的基础上增加了循环一致性损失,用于训练非配对的图像到图像转换模型.目前,GAN已经被广泛应用于计算机视觉、语音语言处理、信息安全等领域.图3显示了arXiv 上GAN论文所属的学科领域.可以看出,论文最多的学科领域是计算机视觉(cs.CV),说明GAN目前主要用于图像处理与计算机视觉;其次是机器学习(cs.LG和stat.ML)、计算与语言(cs.CL)、人工智能(cs.AI)、语音(cs.SD)、语音处理(eess.AS)、机器人(cs.RO)、密码与安全(cs.CR)、多媒体(cs.MM)等.2 GAN:从生成数据到创造智能GAN的初始目的是基于大量的无标记数据无监督地学习生成器G,具备生成各种形态(图像、语音、语言等)数据的能力.随着研究的深入与发展,以生成图像为例,GAN能够生成百万级分辨率的高清图像[6].实际上,GAN生成数据并不是无标记真实数据的单纯复现,而是具备一定的数据内插和外插作用,可以作为一种数据增广方式,结合其他数据更好地训练各种学习模型.进而,通过在生成器的输入同时包括随机变量z和隐码c并最大化生成图像与隐码c的互信息,InfoGAN能够揭示复杂数据中隐含的分布规律,实现数据的解释化表达[7].因而,GAN不仅可以用于探索复杂数据的潜在规律,还能够生成高质量的生成样本以作为真实数据的有效补充,为学习智能模型提供了新的视角和数据基础.图3 arXiv上GAN论文所属的TOP 10学科领域Fig.3 Top 10 subject categories of the GAN papers published on arXiv对于条件GAN模型,生成网络的输入往往被定义为样本的类别甚至其他形式(模态)的数据.到目前为止,已经研究了根据文本描述生成图像[8],进行交互式图像编辑[9],从低分辨率图像生成高分辨率图像[10],预测视频的未来帧[11],将仿真图像转换为真实风格的图像[12],实现通用的图像到图像转换[5],对真实图像的光照和天气条件进行变换[13],从二维图像生成物体的三维模型等[14].数据形式(模态)的转换可以进一步带来不同模态之间数据的可复用、模型和知识的迁移,创造更高水平的智能.例如,SimGAN能够将仿真图像转换为更具真实感的图像,同时保持仿真图像的标注信息不变,利用转换后的图像数据来训练视线估计和手势估计模型,使模型精度得到大幅提升[12].更进一步,由于GAN引入了对抗学习机制,在训练生成器产生更高质量数据的过程中,本身就会创造新的智能.例如,将语义分割卷积神经网络作为GAN的生成器,用判别器来判断分割图是来自分割网络还是来自真实标注,可以引入更高阶的一致性约束,提高语义分割的精度[15];在本专刊中,郑文博等撰写的“基于贝叶斯生成对抗网络的背景消减算法”利用GAN的对抗学习机制来训练背景消减神经网络,将一批输入图像直接转换成一批前景/背景分割结果,在公共测试集上取得了良好的性能;Mal-GAN能够主动生成具有对抗性的病毒代码样本,攻击黑盒病毒检测模型,有利于提高反病毒软件的性能[16].总之,GAN在对抗样本、数据增广、迁移学习和创造智能等方面都展现出巨大的潜力,已成为当前的深度学习与人工智能研究中关注的热点.3 GAN与平行智能GAN作为一种有效的生成数据和创造智能的模型,与平行智能密切相关[17].平行智能强调虚实互动,其载体是基于ACP(Arti ficial systems,computational experiments,and parallel execution)的平行系统[18].利用人工系统来建模和表示实际系统,通过计算实验来分析和评估各种计算模型,借助平行执行来引导实际系统向着理想的目标状态逼近.平行智能包括平行视觉、平行学习等分支.平行视觉[19−20]是ACP理论在视觉计算领域的推广.平行视觉利用人工场景来模拟和表示复杂挑战的实际场景,使采集和标注大规模多样性的图像数据集成为可能,通过计算实验进行视觉算法的设计与评估,最后借助平行执行来在线优化视觉系统,实现对复杂环境的感知与理解.利用GAN的半监督/无监督学习能力,能够生成大规模、多样性的图像数据[12−13],有利于对视觉模型进行充分的训练与评估,提高视觉模型在复杂场景下的运行可靠性.平行学习[21]是一个新型的机器学习理论框架.首先从原始数据中选取特定的“小数据”,输入到软件定义的人工系统中,并由人工系统产生大量新的数据;然后这些人工数据和特定的原始小数据一起构成解决复杂问题所需要学习的“大数据”集合,通过计算实验和平行执行来设计优化机器学习模型,得到应用于某些具体场景或任务的“精准知识”.GAN能够生成大量新的数据,作为训练数据的一部分,提高机器学习模型的性能.简言之,可以把GAN看作真与假的平行,把平行智能看作虚与实的平行.GAN必将促进平行智能理论的发展！4 专刊论文概览为促进我国生成式对抗网络(GAN)相关理论、方法、技术与应用研究的开展,及时反映我国学者在相关领域的最新研究进展,我们特组织本专刊,针对GAN的基础理论与方法、结构优化和训练稳定性、对抗机制以及在各领域的应用等重要问题,面向国内研究者征文.本专刊共收到38篇稿件.经过同行评议,我们录用了其中的13篇稿件,研究内容涉及GAN的新结构、因果关系抽取、多视图学习与重构、低秩图像生成等基础研究;GAN在图像识别、人脸表情识别、背景消减等计算机视觉领域的应用基础研究;以及在语言模型数据增强、自能源混合建模与参数辨识、原油总氢物性预测等其他领域的应用基础研究.首先,林懿伦等撰写的综述文章“人工智能研究的新前线:生成式对抗网络”概括了GAN的基本思想,对近年来相关的理论与应用研究进行了梳理,总结了常见的GAN 网络结构与训练方法、博弈形式和集成方法,并对一些应用场景进行了介绍.在此基础上,对GAN发展的内在逻辑进行了归纳总结.针对GAN的生成模型学习效率低、判别模型易出现梯度消失等问题,王功明等撰写的“一种能量函数意义下的生成式对抗网络”提出一种能量函数意义下基于重构误差的生成式对抗网络(Energy reconstruction error GAN,E-REGAN).将自适应深度信念网络作为生成模型,来加快学习速度;将自适应深度自编码器作为判别模型,用重构误差作为能量函数来表征判别模型的性能,能量越小表示GAN学习过程越趋近于纳什均衡的平衡点.在MNIST和CIFAR-10数据集上的实验结果表明,与同类模型相比,E-REGAN在学习速度和数据生成能力两方面都有较大提高.GAN的学习目标是完整拟合真实样本的分布,然而在实践中,真实样本分布的复杂程度难以预计,容易发生模式坍塌.为了提高无监督条件下的GAN生成能力,减少模式坍塌,张龙等撰写的“协作式生成对抗网络”强调不同模式之间既有差异又有联系,提出一种新的协作式生成网络结构.通过构建多个生成模型,在它们之间引入协作机制,使得生成模型在训练过程中能够相互学习,提高模型对真实数据的拟合能力.实验表明,该模型在二维图像生成方面有显著的效果,协作机制可以加快模型收敛速度,提高训练效率,还能消除损失函数噪声,在三维模型生成方面也产生了一定的效果.通过调整模型参数,能够有效抑制模式坍塌.因果关系是一种重要的关系类型,在事件预测、情景生成、问答、文本蕴涵等许多任务中具有重要的应用价值.现有的因果关系抽取方法大多需要繁琐的特征选择,并且严重依赖知识库.为此,冯冲等撰写的“融合对抗学习的因果关系抽取”利用GAN 的对抗学习特性,将带注意力机制的双向门控循环单元神经网络与对抗学习相融合,在因果关系增强模型中引入因果关系解释语句.通过重新定义生成模型和判别模型,基本的因果关系抽取网络能够与判别网络形成对抗,进而从因果关系解释信息中获得高区分度的特征.实验结果验证了该方法的有效性和优越性.综合多个甚至所有的角度往往有助于对事物的全面和深入理解,然而在实际应用中,完整视图数据会导致巨大的获取成本.为了从已有视图构建事物的完整视图,孙亮等撰写的“基于生成对抗网络的多视图学习与重构算法”提出一种基于GAN的多视图学习与重构算法,利用已知单一视图,通过生成模型构建其他视图.提出新型表征学习算法,将同一实例的任意视图都能映射到相同的表征向量,并保证其包含实例的完整重构信息.为构建给定事物的多种视图,提出基于GAN的重构算法,在生成模型中加入表征信息,保证了生成视图数据与源视图相匹配.实验表明该算法取得了很好的视图重构性能.低秩纹理模型是图像处理领域中的一个重要纹理模型,借助于纹理的低秩性可以对受到各种变换干扰的图像进行校正.针对低秩图像校正问题,赵树阳等撰写的“基于生成对抗网络的低秩图像生成方法”提出了一种由原始图像直接生成低秩图像的生成式对抗网络(Low-rank generative adversarial network,LR-GAN).该方法将传统的无监督学习的低秩纹理映射算法(Transform invariant low-rank textures,TILT)作为引导加入到网络中来辅助判别器,使网络整体达到无监督学习的效果,并且使低秩对抗对在生成器和判别器上都能够学习到低秩表示.为了保证生成的图像既有较高的质量又有相对较低的秩,同时考虑到低秩约束条件下优化问题的不易解决,在经过一定阶段的TILT引导后,设计并加入了低秩梯度滤波层来逼近网络的低秩最优解.实验表明,LR-GAN取得了很好的低秩图像生成效果.在漫画绘制的过程中,按草稿绘制出线条干净的线稿是一个很重要的环节.现有的草图简化方法具有一定的线条简化能力,但是由于草图绘制方式的多样性以及画面复杂凌乱程度的不同,这些方法的适用范围和效果有限.为此,卢倩雯等撰写的“基于生成对抗网络的漫画草稿图简化”提出一种基于GAN的草图简化方法,将条件随机场和最小二乘生成对抗网络相结合,搭建草图简化的深度卷积神经网络模型,通过生成器和判别器之间的零和博弈与条件约束,得到更加接近于真实线稿的简化图.深度卷积生成对抗网络在传统GAN的基础上引入卷积神经网络作为模型骨架结构,条件生成对抗网络在GAN的基础上扩展为条件模型.唐贤伦等撰写的“基于条件深度卷积生成对抗网络的图像识别方法”结合深度卷积生成对抗网络和条件生成对抗网络的优点,建立了条件深度卷积生成对抗网络模型.利用卷积神经网络强大的特征提取和表达能力,加以条件辅助生成样本,将此结构优化改进后,应用于MNIST、CIFAR-10等图像识别任务中,有效提高了识别准确率.让机器能够识别人的表情,是人机交互的关键.在自然交流中,人的情绪表达往往伴随着丰富的头部姿态和肢体动作,使得提取有效的表情特征非常困难.现有的表情识别方法大多基于通用的人脸特征表示和识别算法,很少考虑表情识别和身份识别的差异,使得算法不够鲁棒.为此,姚乃明等撰写的“基于生成式对抗网络的鲁棒人脸表情识别”提出一种对人脸局部遮挡图像进行用户无关表情识别的方法.该方法包括一个基于Wasserstein GAN的人脸图像生成网络,能够为图像中的遮挡区域生成上下文一致的补全图像;还包括一个表情识别网络,在表情识别和身份识别任务之间建立对抗关系,提取用户无关的表情特征并推断表情类型.该方法在公共数据集上取得了较高的表情识别准确率.背景消减是计算机视觉领域的一个重要研究方向.实际环境中存在的光照变化、阴影、背景运动等因素对背景消减提出了严重挑战.为此,郑文博等撰写的“基于贝叶斯生成对抗网络的背景消减算法”提出一种基于GAN的背景消减算法.首先利用中值滤波算法进行背景数据的获取,然后基于贝叶斯GAN建立背景消减模型,采用深度卷积神经网络构建贝叶斯GAN的生成器和判别器,利用GAN的对抗学习机制来进行模型训练.训练后的生成器能够将每个像素分类为前景或背景,有效解决了光照变化、非静止背景、鬼影(Ghost)等问题.基于最大似然估计(Maximum likelihood estimation,MLE)的语言模型数据增强方法存在暴露偏差问题,无法生成具有长时语义信息的采样数据.为此,张一珂等撰写的“基于对抗训练策略的语言模型数据增强技术”提出一种基于对抗训练策略的语言模型数据增强方法,通过一个卷积神经网络判别模型判断生成数据的真伪,引导递归神经网络生成模型学习真实数据的分布.语言模型的数据增强问题实质上是离散序列的生成问题.为了将判别模型的误差通过反向传播算法回传到生成模型,该方法将离散序列生成问题表示为强化学习问题,利用判别模型的输出作为奖励对生成模型进行优化,采用蒙特卡洛搜索算法对生成序列的中间状态进行评价.实验表明,在有限文本数据条件下,随着训练数据量的增加,该方法可以降低识别字错误率,优于基于MLE的数据增强方法.自能源是能源互联网的子单元,旨在实现能量间的双向传输及灵活转换.由于自能源在不同工况下的运行特性存在很大差异,现有方法不能对其进行精确的参数辨识.为此,孙秋野等撰写的“基于GAN技术的自能源混合建模与参数辨识方法”提出了一种基于GAN的数据和机理混合驱动方法,对自能源模型进行参数辨识.将GAN 模型中训练数据与专家经验结合,进行模糊分类,解决了自能源在不同工况下的模型切换问题.通过应用含策略梯度反馈的GAN技术对模型进行训练,解决了自能源中输出序列离散的问题.仿真实验结果表明,提出的模型具有较高的辨识精度和更好的推广性,能够有效地拟合系统在不同工况下的状态变化.针对原油物性的回归预测问题,郑念祖等撰写的“基于Regression GAN的原油总氢物性预测方法”提出一种回归生成对抗网络(Regression GAN,RGAN)结构,该结构在传统GAN的生成模型和判别模型的基础上增加了一个回归模型.通过判别模型与生成模型之间的对抗学习,使得判别模型提取了原油物性核磁共振氢谱谱图的一系列潜在特征.回归模型和判别模型共享首层潜在特征,即样本空间的浅层表达,有利于提高回归模型的预测精度及稳定性.通过在生成模型增加互信息约束,并采用回归模型的均方误差损失函数来估计互信息下界,使得生成模型产生更加接近于真实的样本.实验结果表明,RGAN有效提高了原油总氢物性的预测精度及稳定性.本专刊的顺利完成,离不开作者、审稿专家和《自动化学报》编辑们的大力支持与协助.我们在此表示诚挚的感谢,并希望本专刊对我国生成式对抗网络与人工智能领域的研究起到积极的促进作用.References1 Goodfellow I J,Pouget-Abadie J,Mirza M,Xu B,Warde-Farley D,Ozair S,et al.Generative adversarial nets.In:Proceedings of the 27th International Conference on Neural Information ProcessingSystems.Montreal,Canada:Curran Associates,Inc.,2014.2672−26802 Creswell A,White T,Dumoulin V,Arulkumaran K,Sengupta B,Bharath AA.Generative adversarial networks:an overview.IEEE Signal Processing Magazine,2018,35(1):53−653 Wang Kun-Feng,Gou Chao,Duan Yan-Jie,Lin Yi-Lun,Zheng Xin-Hu,Wang Fei-Yue.Generative adversarial networks:the state of the art and beyond.Acta Automatica Sinica,2017,43(3):321−332(王坤峰,苟超,段艳杰,林懿伦,郑心湖,王飞跃.生成式对抗网络GAN的研究进展与展望.自动化学报,2017,43(3):321−332)4 Arjovsky M,Chintala S,Bottou L.Wasserstein GAN.arXiv preprintarXiv:1701.07875,2017.5 Zhu J Y,Park T,Isola P,Efros A A.Unpaired imageto-image translation using cycle-consistent adversarial networks.In:Proceedings of the 2017 IEEE International Conference on ComputerVision(ICCV).Venice,Italy:IEEE,2017.2242−22516 Karras T,Aila T,Laine S,Lehtinen J.Progressive growing of GANs for improved quality,stability,and variation.arXiv preprintarXiv:1710.10196,2017.7 Chen X,Duan Y,Houthooft R,Schulman J,Sutskever I,AbbeelGAN:interpretable representation learning by information maximizing generative adversarial nets.In:Proceedings of the 30th Conference on Neural Information ProcessingSystems.Barcelona,Spain:Curran Associates,Inc.,2016.8 Zhang H,Xu T,Li H S,Zhang S T,Huang X L,Wang X G,et al.StackGAN:text to photo-realistic image synthesis with stacked generative adversarial networks.arXiv preprint arXiv:1612.03242,2016.9 Zhu J Y,Krähenbühl P,Shechtman E,Efros A A.Generative visual manipulation on the natural image manifold.arXiv preprintarXiv:1609.03552,2016.10 Ledig C,Theis L,Huszar F,Caballero J,Cunningham A,Acosta A,etal.Photo-realistic single image superresolution using a generative adversarial network.arXiv preprint arXiv:1609.04802,2016.11 Santana E,Hotz G.Learning a driving simulator.arXiv preprintarXiv:1608.01230,2016.12 Shrivastava A,P flster T,Tuzel O,Susskind J,Wang W D,Webb R.Learning from simulated and unsupervised images through adversarial training.In:Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition(CVPR).Honolulu,HI,USA:IEEE,2017.2242−225113 Liu M Y,Breuel T,Kautz J.Unsupervised image-to-image translation networks.In:Advances in Neural Information Processing Systems30.Barcelona,Spain:Curran Associates,Inc.,2017.14 Wu J J,Zhang C K,Xue T F,Freeman B,Tenenbaum J.Learning a probabilistic latent space of object shapes via 3D generative-adversarial modeling.In:Advances in Neural Information Processing Systems29.Barcelona,Spain:Curran Associates,Inc.,2016.15 Luc P,Couprie C,Chintala S,Verbeek J.Semantic segmentation using adversarial networks.arXiv preprint arXiv:1611.08408,2016.16 Hu W W,Tan Y.Generating adversarial malware examples for black-box attacks based on GAN.arXiv preprint arXiv:1702.05983,2017.17 Wang F Y,Wang X,Li L X,Li L.Steps toward parallel intelligence.IEEE/CAA Journal of Automatica Sinica,2016,3(4):345−34818 Wang Fei-Yue.Parallel system methods for management and control of complex sys tems.Control and Decision,2004,19(5):485−489,514(王飞跃.平行系统方法与复杂系统的管理和控制.控制与决策,2004,19(5):485−489,514)19 Wang Kun-Feng,Gou Chao,Wang Fei-Yue.Parallel vision:an ACP-based approach to intelligent vision computing.Acta AutomaticaSinica,2016,42(10):1490−1500(王坤峰,苟超,王飞跃.平行视觉:基于ACP的智能视觉计算方法.自动化学报,2016,42(10):1490−1500)20 Wang K F,Gou C,Zheng N N,Rehg J M,Wang F Y.Parallel vision for perception and understanding of complex scenes:methods,framework,and perspectives.Arti ficial Intelligence Review,2017,48(3):299−32921 Li Li,Lin Yi-Lun,Cao Dong-Pu,Zheng Nan-Ning,Wang Fei-Yue.Parallel learning—a new framework for machine learning.Acta Automatica Sinica,2017,43(1):1−8(李力,林懿伦,曹东璞,郑南宁,王飞跃.平行学习—机器学习的一个新型理论框架.自动化学报,2017,43(1):1−8)。

国外近十年深度学习实证研究综述主题、情境、方法及结果一、概述：二、主题分类：计算机视觉：该主题主要关注图像识别、目标检测、图像生成等任务。

研究者利用深度学习模型，如卷积神经网络（CNN），在图像分类、人脸识别、物体检测等任务上取得了显著成果。

自然语言处理：自然语言处理是深度学习的另一重要应用领域。

研究者使用循环神经网络（RNN）、长短期记忆网络（LSTM）、变压器（Transformer）等模型进行文本生成、情感分析、机器翻译等任务，推动了自然语言处理技术的发展。

语音识别与生成：深度学习在语音识别和语音合成方面也有广泛应用。

研究者利用深度学习模型进行语音特征提取、语音识别和语音合成，提高了语音技术的准确性和自然度。

游戏与人工智能：深度学习在游戏领域的应用也日益增多。

研究者利用深度学习模型进行游戏策略学习、游戏内容生成等任务，提高了游戏的智能性和趣味性。

医疗与健康：深度学习在医疗领域的应用也备受关注。

研究者利用深度学习模型进行疾病诊断、药物研发、医疗影像分析等任务，为医疗健康领域的发展提供了有力支持。

这些主题分类展示了深度学习在不同领域和应用场景中的广泛应用和巨大潜力。

通过对这些主题的深入研究和分析，我们可以更好地理解深度学习的发展趋势和应用前景。

1. 计算机视觉在计算机视觉领域，深度学习技术的应用已经取得了显著的突破。

近年来，卷积神经网络（CNN）成为了该领域的主导模型，特别是在图像分类、目标检测、图像分割等方面。

AlexNet、VGG、GoogleNet、ResNet等模型的出现，不断刷新了图像分类任务上的准确率记录。

主题：计算机视觉的核心任务是让机器能够像人一样“看懂”图像和视频，从而进行自动分析和理解。

深度学习通过模拟人脑神经元的连接方式，构建出复杂的网络结构，实现对图像的高效特征提取和分类。

情境：计算机视觉的应用场景非常广泛，包括人脸识别、自动驾驶、医学影像分析、安全监控等。

在这些场景中，深度学习模型需要处理的数据集往往规模庞大，且存在噪声、模糊等问题，因此模型的鲁棒性和泛化能力成为研究重点。

生成式对抗网络GAN的研究进展与展望一、本文概述生成式对抗网络（Generative Adversarial Networks，简称GAN）是近年来深度学习领域最具创新性和影响力的技术之一。

自2014年由Ian Goodfellow等人首次提出以来，GAN已在计算机视觉、自然语言处理、语音识别、游戏等多个领域取得了显著的成果。

GAN通过构建一个生成器和一个判别器的对抗过程，使得生成器能够生成尽可能接近真实数据的假数据，而判别器则尽可能准确地判断输入数据是真实还是生成的。

这种对抗性训练过程不仅提高了生成样本的质量和多样性，也推动了深度学习在生成模型领域的发展。

本文旨在全面综述GAN的研究进展，分析其在不同领域的应用现状，并展望未来的发展趋势。

我们将回顾GAN的基本原理和发展历程，介绍其基本框架和经典模型。

我们将重点分析GAN在计算机视觉领域的最新研究成果，包括图像生成、图像编辑、图像超分辨率等方面的应用。

我们还将探讨GAN在自然语言处理、语音识别、游戏等其他领域的应用情况。

我们将对GAN的研究前景进行展望，分析未来可能的研究方向和挑战。

通过本文的综述，我们希望能够为读者提供一个全面而深入的了解GAN的窗口，同时激发更多研究者和开发者对GAN的研究兴趣和应用热情。

我们相信，随着技术的不断进步和创新，GAN将在未来的领域发挥更加重要的作用。

二、GAN的研究进展自2014年Ian Goodfellow等人首次提出生成式对抗网络（GAN）以来，这一领域的研究取得了显著的进展。

GAN的基本原理是通过构建两个神经网络——生成器和判别器，进行零和博弈，从而生成高质量的数据样本。

生成器的任务是生成尽可能接近真实数据的假数据，而判别器的任务则是尽可能准确地判断输入数据是真实还是由生成器生成的。

在GAN的发展历程中，研究者们不断提出新的模型和改进方法，以解决原始GAN存在的训练不稳定、模式崩溃等问题。

其中，条件GAN（cGAN）通过引入条件变量，使得生成的数据可以符合特定的条件或标签，从而扩展了GAN的应用范围。

生成式对抗网络的研究进展综述
近年来，随着生成式对抗网络（Generative Adversarial Network，GAN）的快速发展，它已经成为机器学习中最令人兴奋的研究领域之一、生成式对抗网络可以自动以竞争的方式学习分布，它利用两个模型，生成器和鉴别器，来模拟真实世界的数据的分布，从而达到进行概率估计、分类、回归以及数据增强等目的。

在过去的几年里，GAN技术取得了长足的发展，有许多研究工作已经实现。

大多数GAN模型利用反向传播（backpropagation）技术来训练参数，以得到最佳结果。

在反向传播的基础上，研究人员发展出了许多GAN 变体，包括信息增强GANs（InfoGANs），针对半监督学习的GAN （SemiGANs）和针对图像分类的GAN（CatsGANs）等。

人工智能生成内容研究综述：应用、风险与治理目录一、内容概括 (2)1.1 研究背景 (3)1.2 研究意义 (4)1.3 文献综述的目的和结构 (5)二、人工智能生成内容的基本概念与技术原理 (6)2.1 人工智能生成内容的定义 (7)2.2 人工智能生成内容的技术原理 (8)2.3 人工智能生成内容的类型 (9)三、人工智能生成内容的应用领域 (11)四、人工智能生成内容的风险与挑战 (12)4.1 数据隐私与安全 (13)4.2 内容质量与可靠性 (14)4.3 技术偏见与歧视 (15)4.4 法律与伦理问题 (16)五、人工智能生成内容的治理策略与实践 (17)5.1 政策法规 (19)5.2 行业自律 (20)5.3 技术审核机制 (21)5.4 公众教育与参与 (23)六、未来展望与研究方向 (24)6.1 技术发展趋势 (25)6.2 应用前景展望 (27)6.3 研究方法与工具创新 (27)七、结论 (29)7.1 研究总结 (30)7.2 研究不足与局限 (31)7.3 对未来研究的建议 (33)一、内容概括随着科技的飞速发展，人工智能（AI）已逐渐渗透到我们生活的方方面面，AI生成内容（Artificial Intelligence Generated Content, AIGC）作为AI技术的一个重要分支，正引起广泛关注。

本综述旨在全面梳理AIGC的应用现状、探讨其面临的风险，并提出相应的治理策略。

在应用方面，AIGC展现了巨大的潜力和创造力。

从文本创作到图像生成，再到音频和视频制作，AIGC技术的应用几乎无处不在。

在文学创作领域，AI已经能够创作出具有深度和情感的作品；在艺术设计中，AI生成的图案和视觉效果令人惊叹；在新闻报道领域，AI可以快速生成新闻稿件，提高新闻时效性。

AIGC还在教育、医疗、娱乐等多个领域发挥着重要作用。

AIGC的发展也伴随着一系列风险。

版权问题备受关注，由于AI 可以生成大量看似原创的内容，如何界定AI生成内容的版权归属成为了一个棘手的问题。

基于生成对抗网络的图像视频编码综述基于生成对抗网络的图像视频编码综述1. 引言随着互联网的迅猛发展和智能移动设备的普及，图像和视频数据的传输、存储和处理需求不断增长。

图像和视频编码技术的进步对于满足这些需求具有重要意义。

生成对抗网络（GAN）作为一种近年来兴起的人工智能技术，在图像视频编码领域展现出巨大的潜力。

本文将综述基于生成对抗网络的图像视频编码技术的研究进展和应用现状。

2. 生成对抗网络简介生成对抗网络是由一个生成器网络和一个判别器网络组成的模型，通过对抗的方式完成真实图像样本的生成。

生成器网络用于生成与真实样本相似的假样本，判别器网络则用于区分真假样本。

通过不断优化两个网络的参数，生成器网络可以逐步逼近真实样本的分布。

3. 基于生成对抗网络的图像编码技术基于生成对抗网络的图像编码技术主要包括图像压缩和图像增强两个方面。

在图像压缩方面，研究者们利用生成对抗网络将图像编码为潜在空间的表示，实现更高效的图像压缩。

在图像增强方面，生成对抗网络可以通过学习图像的分布特征，对图像进行修复、超分辨率重建和风格转换等操作，从而提升图像的质量和观感。

4. 基于生成对抗网络的视频编码技术基于生成对抗网络的视频编码技术是图像编码技术的延伸和拓展。

在视频编码方面，生成对抗网络可以通过对视频序列进行帧内预测和帧间预测，实现视频的高效编码和压缩。

同时，生成对抗网络还可以对视频进行超分辨率重建和视频风格转换，提升视频的质量和观感。

5. 基于生成对抗网络的图像视频编码应用基于生成对抗网络的图像视频编码技术已经在多个领域得到应用。

在图像编码方面，基于生成对抗网络的图像压缩技术可以在网络传输和存储过程中节省带宽和空间资源。

在图像增强方面，基于生成对抗网络的图像修复、超分辨率重建和风格转换技术可以改善图像的质量和观感。

在视频编码方面，基于生成对抗网络的视频编码技术可以实现更高效的视频传输和存储。

同时，基于生成对抗网络的视频超分辨率重建和视频风格转换技术可以提升视频的观赏体验。

生成式对抗网络GAN的研究现状与应用作者：于梦珂来源：《无线互联科技》2019年第09期摘; ;要：21世纪以来，在大数据、云计算和物联网等新兴技术不断成熟的大背景下，人工智能得到了第3次井喷式发展。

其中，以深度学习为基础的图像处理、语音识别等技术的发展尤为迅猛。

而生成式对抗网络是如今深度学习领域中最为前沿也是最令人着迷的领域之一，它自2014年10月被Ian Goodfellow等提出以后，就一直受到人们的广泛关注与追捧。

文章从生成式对抗网络的基本原理出发，分析了生成式对抗网络的研究现状及其主要的应用领域，并对生成式对抗网络进行了总结与展望。

关键词：生成式对抗网络;深度学习;神经网络;人工智能自1956年McCarthy提出“人工智能”一词以来，人工智能的发展几经波折。

而最近几年，得益于数据量指数级的增长以及计算机运算力的大幅度提升，人工智能的发展又一次达到了巅峰阶段。

虽然人工智能最近几年得到了快速发展，但人们仍然普遍认为，机器离真正的智能还有很大的距离，机器永远不可能替代人类。

而自从Ian Goodfellow在2014年10月提出了生成式对抗网络（Generative adversarial networks，GAN）之后，人们的思想就发生了很大的变化。

生成式对抗网络GAN主要采用无监督的学习方式，自动从源数据中进行学习，在不需要人工对数据集进行标注的情况下就可以产生令人惊叹的效果，從而使机器真正实现了所谓的“智能”。

首先，本文介绍生成式对抗网络GAN的原理;其次，介绍生成式对抗网络的一系列衍生模型，主要包括条件生成对抗网络CGAN以及基于Wasserstein距离的生成对抗网络WGAN;再次，介绍生成式对抗网络GAN以及其衍生模型的应用。

最后，对生成式对抗网络进行了总结与展望。

1; ; 生成式对抗网络原理生成式对抗网络GAN的根本思想来源于博弈论中的二人零和博弈，其结构包含一个生成器和一个判别器，通过生成器和判别器的相互对抗实现学习。

深度学习方法研究综述一、本文概述随着技术的飞速发展，深度学习作为其中的一项关键技术，已经在许多领域取得了显著的突破。

本文旨在对深度学习方法进行全面的研究综述，以期为读者提供一个清晰、系统的深度学习知识体系。

我们将从深度学习的基本原理、发展历程、主要算法、应用领域以及未来发展趋势等方面展开详细的介绍和分析。

我们将回顾深度学习的基本原理，包括神经网络的基本结构、激活函数的作用、优化算法的选择等。

在此基础上，我们将探讨深度学习的发展历程，从早期的感知机模型到现代的卷积神经网络、循环神经网络等，以及深度学习在各领域的应用情况。

接下来，我们将详细介绍几种主流的深度学习算法，如卷积神经网络（CNN）、循环神经网络（RNN）、生成对抗网络（GAN）等。

我们将对这些算法的基本原理、优缺点以及在实际应用中的表现进行深入分析。

本文还将关注深度学习的应用领域，包括计算机视觉、自然语言处理、语音识别、推荐系统等。

我们将通过具体的案例来展示深度学习在这些领域中的实际应用价值和潜力。

我们将对深度学习的未来发展趋势进行展望，探讨深度学习在未来可能面临的挑战和机遇，以及可能的新技术和新方法。

本文旨在对深度学习方法进行全面的研究综述，帮助读者更好地理解和应用深度学习技术。

我们希望通过本文的介绍和分析，为深度学习领域的发展贡献一份力量。

二、深度学习的基本原理深度学习的基本原理主要建立在人工神经网络（ANN）的基础上，通过模拟人脑神经元的连接方式，构建深度神经网络（DNN）模型。

DNN通过多层非线性变换，将低层次的特征组合成高层次的特征表示，从而实现对复杂数据的抽象和表示。

深度学习的核心在于通过反向传播算法（Backpropagation）和梯度下降法（Gradient Descent）优化网络参数，使得网络输出与真实标签之间的误差最小化。

在训练过程中，通过不断迭代更新网络权重，使得网络能够从大量无标签或弱标签数据中学习到有效的特征表示和数据分布。

第22期2022年11月无线互联科技Wireless Internet TechnologyNo.22November,2022基金项目:大学生创新创业训练计划课题;项目编号:360022XN265㊂北京市属高校青年拔尖人才培育计划项目;项目编号:CIT&TCD201904009㊂作者简介:张晓亮(2000 ),男,山东潍坊人,本科生;研究方向:信息安全㊂生成对抗网络技术研究张晓亮(北方工业大学信息学院,北京㊀100144)摘㊀要:近年来,生成对抗网络已成为深度学习领域的热门研究方向,相关研究文献数量呈指数级增长㊂文章对生成对抗网络近几年的发展做了简要地梳理,首先介绍了GAN 网络的理论和基本框架,其次介绍了几种典型的衍生模型,最后重点讨论了各变体在计算机视觉㊁信息安全㊁医学等领域的应用㊂此外,文章还探讨了生成对抗网络存在的一些问题并在此基础上对未来的研究和改进方向提出了展望㊂关键词:生成对抗网络;生成模型;机器学习;无监督学习0㊀引言㊀㊀由Goodfellow 等[1]提出的生成对抗网络(Generative Adversarial Network,GAN)是机器学习中的一个新概念,是近年来人工智能领域最重要的研究方向之一,出色的数据生成能力使其一经提出便受到了广泛的关注㊂机器学习算法通常根据数据集是否被标注分为有监督学习和无监督学习两类㊂有监督学习很难自动的收集和注释标记,因此无监督学习越来越受到研究人员的关注[2]㊂生成对抗网络是无监督式学习的一种生成模型,其由一个生成网络与一个判别网络组成㊂两个神经网络通过相互博弈的方式进行学习㊂在博弈过程中通过不断的优化迭代,最后达到一种最优状态,即纳什平衡状态㊂1㊀生成对抗网络的简介1.1㊀生成对抗网络的原理和框架㊀㊀生成对抗网络的基础原理来源于博弈论中的双人零和博弈理论,该理论是指参与博弈的双方属于一种相互竞争的关系,在严格竞争的条件下,一方的收益必然意味着另一方的损失,博弈各方的收益和损失相加总和永远为零㊂在这里,博弈的双方就对应着生成对抗网络的两大重要组成部分,即生成器G 和辨别器D㊂生成器G 的目标是通过产生虚假的样本分布来欺骗辨别器D,其训练过程就是最大化辨别器D 犯错误的概率;而辨别器D 的目标是辨别输入样本是来自于真实样本空间还是来自生成器G 产生的虚假输出,并给出一个输入样本是否为真实样本的概率㊂接近0的概率值表明样本是假样本,而接近1的概率值表明样本来自真实的样本空间㊂接近0.5的概率值表示鉴别器无法区分出假样本和真实样本,从而说明生成器和辨别器的博弈达到纳什均衡状态,产生了最佳的解决方案[3-6]㊂GAN 的模型结构,如图1所示㊂生成器G 用潜在空间中随机取样得到的噪声变量z 作为输入来产生虚假样本G(z),将该虚假样本与真实的图像样本一起输入辨别器D㊂辨别器D 的作用是用于确定给定图像是否属于真实分布,它接收输入图像x 并产生输出D(x),表示x 属于真实分布的概率㊂若输出为1,则表示是真实图像分布;若输出为0,则表示是虚假图像分布㊂图1㊀GAN 的模型结构841㊀㊀其中,GAN 的目标函数如公式(1)所示Min GMax DV (D ,G )=E x ~P data (x )[log(D (x ))]+E z ~P z (z )[log(1-D (G (z )))](1)式中,D 和G 分别代表辨别器和生成器,G (z )是由生成器G 产生的输出,D (G (z ))是辨别器判定生成器生成样本为假的概率,P data (x )代表真实数据的分布,P z (z )代表生成数据的分布㊂GAN 模型的训练过程可以分为3部分㊂首先,固定生成器G 不变并优化辨别器D ,以最大限度地提高D 的识别精度,使其尽可能多的区分真实样本和生成样本㊂其次,固定辨别器D 不变并优化生成器G ,使G 尽可能减小生成样本与真实样本之间的差距,从而使辨别器判别错误,无法区分真实样本与生成样本㊂最后,交替进行前两个过程,当且仅当P data =P g 时,才能实现全局最优解决方案,即D (G (z ))=0.5,说明D 随机猜测样本是真是假,无法判断样本是来自于生成器还是真实样本空间,从而证明达到纳什均衡状态㊂在训练过程中,为了先得到一个准确率高的辨别器,要先优化k 次辨别器D 的训练参数以提高其辨别能力,再根据辨别器的反馈优化一次生成器G 的训练参数,进而提高生成器产生虚假样本的能力㊂1.2㊀生成对抗网络存在的问题㊀㊀GAN 模型面临的一项重要技术问题就是模式崩溃问题㊂该问题是指当生成器的输出样本只集中在单一类别的时候,就容易导致生成的样本缺乏多样性㊂因此如何提升生成样本的多样性仍然是一个亟待解决的问题㊂训练过程的不稳定也同样是GAN 模型的研究人员面临的问题㊂训练过程中如何达到纳什均衡是一个难点和挑战㊂除此之外,GAN 模型还存在梯度消失的问题㊂该问题普遍存在于神经网络之中,具体表现在以梯度下降法和反向传播训练深度神经网络的时候,前面隐藏层的学习速率远低于后面隐藏层的学习速率,最终导致神经网络不能很好地完成收敛㊂GAN 模型在辨别器训练的越好的时候,生成器梯度消失的越严重,即辨识度过高的辨别器会减少向生成器提供反馈从而延缓甚至迟滞其学习过程㊂2㊀生成对抗网络的衍生模型㊀㊀针对上述提到的GAN 模型存在的各种问题,研究人员提出了许多不同的改进方案,由此衍生出了许多GAN 的变体,本节主要对一些重要的GAN 模型变体进行讨论㊂2.1㊀CGAN㊀㊀由于传统GAN 模型中生成器G 的输入是一个随机的噪声向量,因此容易造成训练模式崩溃㊂为了更好地解决这个问题,有研究人员提出了基于条件的生成对抗网络(Conditional GAN),该网络在生成器和辨别器中都引入了条件变量㊂通过这种方式来给模型增加额外的条件,进而影响数据生成的过程,使得生成网络能够生成特定方向的样本,避免GAN 模型的生成过程过于自由㊂2.2㊀DCGAN㊀㊀卷积神经网络(CNN)是监督学习领域一个重要的网络模型且在图像处理和算机视觉方面取得了令人瞩目的成果㊂相关研究人员将卷积神经网络与生成对抗网络相结合提出了DCGAN 模型㊂该模型将卷积神经网络引入到生成式模型中来做无监督的训练,利用卷积网络强大的特征提取能力来提高生成网络的学习效果㊂同时,该模型还提出了一个重要的架构变化来解决训练不稳定,模式崩溃和内部协变量转换等问题㊂2.3㊀WGAN㊀㊀为了解决GAN 模型训练过程不稳定和模式崩塌的问题,有专家提出了WGAN 模型㊂该模型不仅使用EM 距离替代JS 散度来评估真实数据和生成数据之间的分布距离,还用基于利普希茨约束的批判函数f 来代替辨别器㊂3㊀GAN 的应用㊀㊀GAN 网络具有强大的数据生成能力和灵活的框架,因此在图像处理领域有广泛的应用㊂此外,GAN 模型还广泛适用于医学影像合成㊁信息隐藏㊁目标检测等领域㊂本节将介绍GAN 模型在不同应用场景下的一些实例㊂3.1㊀高分辨率图像的生成㊀㊀当前,GAN 模型最成功的应用就是在计算机视觉领域,最有力的代表就是高分辨率图像的生成㊂有专家提出了超分辨率生成对抗网络(Super -Resolution GAN)来提高生成图像的质量和清晰度㊂他们用VGG 网络作为辨别器,用残差网络作为生成器,并采用低分辨率图像作为输入㊂实验结果表明,SRGAN 能将其重构成高分辨率图像并能得到丰富的纹理细节㊂Wang 等[7]将SRGAN 模型进行改进,提出了增强型的超分辨率生成对抗网络ESRGAN㊂该模型对SRGAN 网络体系结构的3个关键组成部分:网络架构㊁对抗损失和感知损失进行了改进㊂基于这些改进提出的ESRGAN 比SRGAN 在生成图片的纹理和细节上取得了更清晰,更逼真的视觉效果㊂3.2㊀信息隐藏㊀㊀信息隐藏是指将机密信息隐藏在公开的载体信息中,通过公共信道进行传递㊂将传统隐写方法与生成对抗网络技术相结合,能很大程度上提高了信息的隐蔽性㊂有研究团队提出了一种SGAN (steganographic941GAN)模型,该模型在前述DCGAN模型的基础上进行了改进㊂在原有的架构中加入了一个判别器网络S对输入给S的图像进行隐写分析㊂结果表明,SGAN可以在信息载体中嵌入更多由标准隐写算法加密过的信息,从而成功绕过现有隐写分析技术的检测㊂3.3㊀医学领域㊀㊀GAN模型在医学影像学和临床诊断方面也发挥了很大的作用㊂何俊等[8]提出了一种基于CGAN的带有多尺度辨别器的生成对抗网络前列腺分割算法,该算法能够对前列腺MRI图像进行分割以满足临床实践的需求,试验结果表明该算法的准确率和鲁棒性较高㊂Ghassemi等[9]提出了一种使用深度卷积神经网络对MRI脑肿瘤进行分类的新方法㊂该方法使用DCGAN模型对脑肿瘤进行分类,与现有方法相比取得了较高的准确率㊂4㊀结语㊀㊀作为一类强大的生成模型,GAN自提出以来就受到了外界的广泛关注㊂目前,各个领域对GAN的研究也在如火如荼地进行㊂同时,GAN模型的不足之处也在慢慢地展现出来㊂未来的研究方向应更多地针对上述提及的训练过程不稳定㊁模式崩溃和梯度消失等问题㊂此外,鉴于各种各样的GAN衍生模型层出不穷,目前学术界和工业界对各类GAN模型还没有普遍的统一的定量评价指标㊂因此,如何客观准确地对生成对抗网络模型进行评价仍可作为一个新的研究方向㊂[参考文献][1]GOODFELLOW I,POUGET-ABADIE J,MIRZA M,et al.Generative adversarial nets[C]NIPS.MIT Press,2014.[2]PAN Z,YU W,YI X,et al.Recent progress on generative adversarial networks(GANs):a survey[J].IEEE Access,2019(7): 36322-36333.[3]ALQAHTANI H,KAVAKLI-THORNE M,KUMAR G.Applications of generative adversarial networks(gans):an updated review[J]. Archives of Computational Methods in Engineering,2021(2):525-552.[4]梁俊杰,韦舰晶,蒋正锋.生成对抗网络GAN综述[J].计算机科学与探索,2020(1):1-17.[5]梁晨,王利斌,李卓群,等.生成对抗网络技术与研究进展[J].信息安全研究,2022(3):235-240.[6]汪美琴,袁伟伟,张继业.生成对抗网络GAN的研究综述[J].计算机工程与设计,2021(12):3389-3395.[7]WANG X,YU K,WU S,et al.Esrgan:enhanced super-resolution generative adversarial networks[J].Computer Visoin-eccv2018 Workshops,PT V,2019(11133):63-79.[8]何俊,吴从中,丁正龙,等.多尺度判别条件生成对抗网络的前列腺MRI图像分割方法[J].中国图象图形学报,2019(9): 1581-1587.[9]GHASSEMI N,SHOEIBI A,ROUHANI M.Deep neural network with generative adversarial networks pre-training for brain tumor classification based on MR images[J].Biomedical Signal Processing and Control,2020(57):101678.(编辑㊀姚鑫) Research on generative adversarial network technologyZhang Xiaoliang(School of Information,North China University of Technology,Beijing100144,China) Abstract:In recent years,Generative Adversarial Networks have become a hot research direction in the field of deep learning,and the number of related research literatures has grown exponentially.This paper briefly reviews the development of GAN in recent years.First,it introduces the theory and basic framework of GAN network,and then introduces several typical derivative models.It then focuses on the applications of each variant in computer vision, information security,medicine,etc.In addition,some problems existing in GAN are discussed,and on this basis,future research and improvement directions are put forward.Key words:Generative Adversarial Networks;generative model;machine learning;unsupervised learning051。