No. 9 Deepfakes
No. 8 千面神君：用GANs生成以假亂真的人臉
接下來，我們要爲你介紹一款能夠僞造人臉圖像的AI——Neural Face。Neural Face使用了Facebook 人工智能研究團隊開發的深度卷積神經網絡（DCGAN）。
研發團隊用由100個0到1的實數組成的1個向量Z來代表每一張圖像。
通過計算出人類圖像的分佈，生成器就可以用高斯分佈（Gaussian Distribution）根據向量Z來生成圖像。在此過程中，生成器學習生成新的人臉圖像來欺騙判別器，同時判別器也能更好地區分加工生成的人臉圖像和真實的人臉圖像。
No. 7 破涕爲笑：改變照片中的面部表情和特徵
在這一應用中，你只需要提供一些樣本圖像，研究人員就能生成表情各異的人臉圖像。比如，你可以讓一個面無表情的人露出笑容。
讓面無表情的人露出笑容，給不戴眼鏡的人加副眼鏡。
實現這一應用的基本思想方法是：將圖像的每一列用向量X來表示，計算每一個X的平均值，從而得到一個Y向量。
然後，對向量Y進行一些加法和減法運算，生成一個單一的圖像向量Z（如：戴眼鏡的男性-不帶眼鏡的男性+不帶眼鏡的女性）。最後，把這個圖像向量Z輸入生成器中。
將一張頭像靠左的人臉圖像變爲靠右的圖像
實際上，我們還可以用該模型實現包括旋轉、放縮、位置變換在內的多種操作。以位置變換爲例，我們可以將一張頭像靠左的人臉圖像轉變爲靠右的圖像。
爲此，我們可以先把向頭像靠左和靠右的人臉圖像作爲樣本，對它們取平均值，得到一個“翻轉圖像”向量。然後，沿着座標軸對圖像向量進行插值（https://zh.wikipedia.org/wiki/%E6%8F%92%E5%80%BC），我們就可以將這種“轉變”應用到新的人臉圖像上了。
NO. 6 腦洞大開： 用GANs創造出迷幻圖像
接下來，我們將爲你介紹Google Brain研發的Google Deep Dream。這一應用基於 GoogleNet對物體本質的“認知”可視化。
通過此方法，GANs能夠學會生成一些“迷幻”的圖片。這些如夢似幻的圖像是圖片分類器故意過度處理圖像的結果。
Deep Dream 用普通圖像生成迷幻圖片
Deep Dream在圖像中“找”到了塔、建築、鳥和昆蟲
當你向Google Deep Dream輸送一張圖像後，該應用就會開始在圖像中尋找各類曾被訓練識別的物體。神經網絡會將一些毫不相關的物體聯繫起來，這就好比人們把雲想象成小狗、小鳥。然後，Google Deep Dream 會對其聯想出的物體作增強處理。
舉個例子，當神經網絡第一次作出圖像識別時，它會認爲這張圖有40%的可能是一隻小狗，而經過一輪處理後，神經網絡就會認爲可能性增加到了60%。這個過程會不斷重複，直到輸入圖片已被修改得非常像一條狗了。
就這樣，它一步步地把原圖像調整成另外一張圖像。換句話說，創造出了“四不像”的圖片。
NO.5 狸貓換太子：改變圖像/視頻內容
通過圖片生成另一張圖片是生成網絡的另一項有趣應用。憑藉此技術，我們可以將一段視頻中的動物換成另一種動物，或者將圖片裏的季節換成另一季節。
該應用的核心在於，使用一組訓練圖像對來學習映射輸入和輸出圖像。然而，在許多情況下，配對訓練圖像並不容易獲得。爲了克服這一問題，我們可以採用“雙邊鏡像繪圖”的方式，將一種變換的輸入作爲另一中變換的輸出。這樣，我們就能通過無監督學習克服相本容量小的問題了。
下面就是一些例子：
動物變形—通過偵測視頻中的奔跑的馬給它添加斑馬條紋，將馬變斑馬圖像。
季節轉換—在圖像中改變季節，例如將冬季轉爲夏季，或將冬季轉爲春季。
NO.4 化零爲整：通過輪廓生成逼真圖像
修改逼真圖像是一項富有挑戰性的工作，它要求在寫實的基礎上以用戶控制的方式改變圖像的外觀。這一任務的技術含量相當高，一位藝術家可能要經過多年訓練才能到達穩定的水準。
GANs 能夠從輪廓中生成逼真的圖像
給出一件物品的輪廓，這一模型就能夠識別出這個物品，並能夠生成栩栩如生的物品圖像。
在該論文中 ，作者提出一種使用生成對抗網絡，從數據中直接學習自然圖像流形的方法。模型能夠自動調整輸出結果，以保證內容儘可能真實，同時所有操作均以約束優化法進行表達，且基本能被實時應用。
這個方法也可以將一張圖片變得更像另一張圖片，或者根據用戶的塗鴉產生全新的圖像。
No. 3 未卜先知：通過“場景動態”（Scene Dynamics）預見視頻下一秒將發生什麼？
理解物體運動和場景動態是計算機視覺中的核心問題。不管是視頻識別任務（如行動分類）還是視頻生成任務（如未來預測）都需要轉換場景的模型。但由於物體和場景改變的方式多種多樣，構建這樣一個動態模型是很有挑戰性的。
爲實現這一目標，我們需要一個能將前景和背景區分開來的模型。在保持背景的靜止的基礎上，神經網絡能夠了解哪些物體是運動的，哪些物體是靜止的。
上面的預測視頻便是生成模型想象出來的。儘管這些預測並沒有實際發生，基於它們的訓練場景類別，這些動作還是相當合理的。
NO. 2 依葫蘆畫瓢：用GANs完成模仿學習
GANs也可以幫助研發自學習人工智能機器人。此前，該領域的研究多涉及獎勵機制的應用。
運用GANs的方法，科研人員向人工智能主體輸入真實的演示數據，然後人工智能主體就能通過數據學習嘗試模仿相同的動作。
一個AI主體正嘗試模仿人類跑步
該模型展示了模仿學習的一種新方法。標準加強學習模型通常要求建立一個獎勵函數，用於向代理機器反饋符合預期的行爲。然而，這種方式在實踐中爲了糾正細節問題會在試錯過程上消耗大量精力。
取而代之的模仿學習，則是讓人工智能主體從實例中學習（例如遠程遙控機器或者人類活動提供的案例），省去了設計獎勵函數的麻煩。
No. 1 自學成才：讓“好奇”驅動計算機學習
在很多現實世界的情境中，對人工智能主體的外部獎勵是非常少的，或者說根本沒有。如此一來，一段被動的程序就會因爲它自身的固有屬性，無法進化和學習。
在這種情況下，“好奇心”可以作爲內置的獎勵信號激勵人工智能主體去探索它周邊的環境、學習在將來對它可能有幫助的技能。在這種情況下主動學習者比被動學習者的表現要好。
在這樣的模型中，“好奇心”被設定爲 AI預測它自身行爲後果能力中的誤差。當然了，在這樣的語境下，AI也可以通過程序員建立的獎勵機制開展學習。
讓我們用小孩學習的過程來作個類比。一個不受大人監護的小孩不知道摸熱爐子的後果。不過一旦他這樣做了，他就會明白他不應該這樣做——因爲疼痛，也因爲了解了摸熱爐子和感受到所謂疼痛之間的因果關係。
貪吃蛇遊戲：通過“好奇心驅動學習”（curiosity driven learning），貪吃蛇學着去收集那些能增加它的報酬的綠球，並避開那些會減少其報酬的紅球。
好奇心驅動的學習（curiositydriven learning）以下面三點作爲基礎：
-
極少的外部獎勵——有了“好奇心”，達成目標所需與外界環境的互動更少了。
-
沒有外部獎勵的探索，是“好奇心”使AI主體的探索行爲更高效。
-
對未知場景中（例如同一個遊戲中的新關卡）的泛化處理。此時AI主體利用過往經驗探索新大陸，這會比它從零開始探索要快很多。
結語
看完了以上這些應用，你是不是對生成式對抗網絡刮目相看了呢。然而，這些只不過是生成式對抗網絡初試身手罷了。相對於生成式對抗網絡所能完成的工作而言，這些應用只是冰山一角。生成式對抗網絡爲我們提供了一個強有力的訓練神經網絡的方法，讓機器能夠完成任何一個人類能夠完成的複雜任務。
生成式對抗網絡（GANs）向我們證明了：創造力不再是人類所獨有的特質了。