機器學習與深度學習系列連載： 第四部分 對抗網絡GAN (六) 對抗網絡 （EBGAN，Info GAN，Bi GAN，VAE-GAN， Seq2Seq GAN）

對抗網絡 GAN家族簡介（EBGAN，Info GAN，Bi GAN，VAE-GAN， Seq2Seq GAN）

1. Energy-based GAN

EBGAN 其實就是 鑑別器Discriminator，提前用AutoEncoder訓練過的GAN

EBGAN的優勢：

1. GAN的訓練比較麻煩，而AutoEncoder相對簡單，EBGAN可以減少訓練時間
2. EBGAN的 discriminator 只會給有限的空間的值大的估計
   

2. Info GAN

我們在生成圖片或者內容的時候，肯定有這樣的想法，生成的內容可以輕微調整嗎。比如，數字的顏色，數字的大小，數字的形狀，或者人的頭髮的顏色，皮膚的顏色。

簡而言之，我們想“駕馭”GAN。

但是事與願違，我們在參數集z的輕微調整，可能會有意想不到的影響。

Info GAN 就是幫助我們找到GAN的生成器的生成規律

Info GAN的架構剛開始可能讓人感到一頭霧水，我們慢慢拆開看：

1. 我們把Z 拆成 C和Z’
2. C的內容我們用一個AutoEncoder（圖片黃色部分）進行Decoder能夠反向生成 X
3. X的內容和常規的GAN一樣，有個鑑別器Discriminator 進行鑑別

區分出C的意義就是C能夠代表圖片的特徵。

論文 https://arxiv.org/abs/1606.03657 中，我們得到，修改C中的內容，可以得到不同的Minist效果圖：

3. Bi GAN

一般的，我們將Encoder和Decoder 是相連的，即Encoder的信息輸入到Decoder中，但是BiGAN就將他們隔離開來，分別輸入鑑別器Discriminator 來判斷輸入的image 和z 的pair 是來自encoder還是decoder。

具體的算法如下：

4. 對抗領域訓練 Domain adversarial training

我們直覺上認爲，GAN在訓練完黑白Minist後，生成器的特徵feature和彩色Minist的生成器的特徵應該分佈接近，但是實際情況並非如此。

所以我們需要加入領域分類模塊

5. VAE-GAN

我們之前介紹過VAE，通過VAE可以畫圖，但是加上GAN後，“雙劍合璧”，威力就會更大。

6. Seq2Seq-GAN

在傳統的語音識別中：

我們可以加入語言encoder和說話者encoder

使用GAN來區分說話者

本專欄圖片、公式很多來自臺灣大學李宏毅老師的深度學習課程,在這裏，感謝這些經典課程，向李老師致敬！