|
導(dǎo)讀：《黑客帝國》里，當(dāng)A冬天機(jī)器的想象發(fā)展達(dá)到了一種可以創(chuàng)造整個世界的程度，弱人工智能和強(qiáng)人工智能的指馬重慶渝中怎么找酒店上門資源vx《356+2895》提供外圍女上門服務(wù)快速選照片快速安排不收定金面到付款30分鐘可到達(dá)界限并不特別清晰，也許有一天，為斑為夏在達(dá)到弱人工智能之后，馬變蹭一下地就到了強(qiáng)人工智能。當(dāng)A冬天 說起“教授”計(jì)算機(jī)如何完成人類工作，想象生成式對抗系統(tǒng)（GAN）是指馬現(xiàn)有最有效的手段之一。雖然人們一直被告知“競爭可以激發(fā)出更好的為斑為夏表現(xiàn)”，但是馬變只有在有了生成式對抗系統(tǒng)之后這一“從競爭中學(xué)習(xí)”的邏輯才被發(fā)展到了造福產(chǎn)業(yè)生產(chǎn)的高度。 具體來說，當(dāng)A冬天生成式對抗系統(tǒng)是想象由不同的AI實(shí)體彼此競爭，以達(dá)到更好地解決自己任務(wù)的指馬目的。想象一下，為斑為夏如果有一個惡意軟件程序和一個安保機(jī)器人程序同時對抗，馬變彼此都毫不放松的想要在對方的制約下更好的完成自己的職責(zé)。那么在這個過程中，他們雙方都可以將自己的任務(wù)（入侵VS保護(hù)）完成的越來越好。 生成式對抗系統(tǒng)最初是由蒙特利爾大學(xué)的 Ian Goodfellow 首先創(chuàng)造出來。而最近，它已經(jīng)向人們顯示出了“無監(jiān)督學(xué)習(xí)”的強(qiáng)大威力。 那么究竟生成式對抗系統(tǒng)是重慶渝中怎么找酒店上門資源vx《356+2895》提供外圍女上門服務(wù)快速選照片快速安排不收定金面到付款30分鐘可到達(dá)如何工作的呢？ 每個生成式對抗系統(tǒng)都有兩個相互競爭的神經(jīng)網(wǎng)絡(luò)。其中一個將噪音錄入并且生成樣本（生成器）。而另一網(wǎng)絡(luò)則能夠分辨正常的實(shí)驗(yàn)數(shù)據(jù)和從生成器獲得的樣本（分辨器）。這兩個網(wǎng)絡(luò)在進(jìn)行一個持續(xù)的游戲，生成器會一直學(xué)習(xí)如何能夠成功欺騙分辨器，而分辨器則能逐步增強(qiáng)自己分辨兩種數(shù)據(jù)的能力。這兩個系統(tǒng)同時接受長期的訓(xùn)練，終于在百萬次的“對抗”之后，生成器生成的樣本已經(jīng)和真實(shí)的數(shù)據(jù)幾乎沒有差異。 簡單來說，生成器就是一個造假者不斷想要制造虛假的資料，而分辨器則是警察，其職責(zé)就是將虛假的資料分辨出來。因?yàn)檎麄€過程都是被現(xiàn)有計(jì)算機(jī)器自動化執(zhí)行的，生成式對抗系統(tǒng)已經(jīng)可以實(shí)現(xiàn)許多令人驚嘆的任務(wù)。而以下就是至今為止生成式對抗系統(tǒng)最為驚艷世界的應(yīng)用。 1. 當(dāng)機(jī)器有了想象力 谷歌的Deep Dream可以制造出有著幻覺效果的圖像 Google Brain的研究者已經(jīng)找到了可以從視覺上展現(xiàn)他們的精神網(wǎng)絡(luò)，Google Net，如何看待事物本質(zhì)的方法。而通過這種方法，生成式對抗系統(tǒng)制造出了可以被稱為有著迷幻效果圖像。 其實(shí)，這些如夢似幻的圖片，是一個給圖片分類的功能刻意過度處理圖像時產(chǎn)生的副產(chǎn)品。而在這個過程中涉及到的主要系統(tǒng)就是Deep Dream。 Deep Dream究竟是如何工作的呢？你首先要給他一個圖像，然后他會主動去尋找他在之前訓(xùn)練中學(xué)會的認(rèn)識的一切。神經(jīng)網(wǎng)絡(luò)可能會發(fā)現(xiàn)一些類似于一只狗，一個房子這一類的意象。而Google Deep Dream就可能強(qiáng)化這些被認(rèn)出來的事物。 打個比方，如果現(xiàn)有的認(rèn)知網(wǎng)絡(luò)在你輸入一個圖像時會認(rèn)為“看，這個圖像有40%的可能是一只狗”，那么，下一次，它會在自動完善后說：“看，這有60%的可能性是一只狗。”這個過程會一直持續(xù)到被輸入的圖片可以被轉(zhuǎn)化成在神經(jīng)系統(tǒng)看來完全就是一只狗或者其他事物為止。并且，在這樣不斷轉(zhuǎn)化被分類的圖像的過程中，系統(tǒng)創(chuàng)造了看起來超脫塵世的迷幻圖像。 Google的Deep Dream以這樣的方式逆轉(zhuǎn)了我們傳統(tǒng)認(rèn)識中，輸入一個圖形就會生成一個對應(yīng)輸出結(jié)果的固定思維。如今，每個輸入的圖像都會被認(rèn)知系統(tǒng)不斷改進(jìn)，直到它可以完全的理解并進(jìn)行最佳分類。 2.讓機(jī)器模仿人類 通過生成式對抗系統(tǒng)模仿學(xué)習(xí)的過程 一群AI研究人員希望能夠用不同的方式去建構(gòu)能自學(xué)的人工智能，而不是沿用傳統(tǒng)的建立在獎勵機(jī)制上的方法。 他們給了人工智能一套真實(shí)的展示數(shù)據(jù)作為輸入指令，而根據(jù)這套數(shù)據(jù)，人工智能就可以學(xué)習(xí)并且嘗試模仿同樣的動作。 在這個模型中，Jonathan Ho和Stefano Ermon展示了一種全新的模仿學(xué)習(xí)的方法。在標(biāo)準(zhǔn)的強(qiáng)化學(xué)習(xí)系統(tǒng)中，人們總是要設(shè)計(jì)一個獎勵功能來向人工智能描述他們應(yīng)該做出怎樣的行為。然而，在實(shí)際操作中，這會需要昂貴的“實(shí)驗(yàn)-糾錯“的過程來將保證細(xì)節(jié)的正確。但是，在模仿學(xué)習(xí)的設(shè)定下，人工智能可以直接向樣本的展示如何去學(xué)習(xí)，從而完全消除了去設(shè)計(jì)一個獎勵功能的需要。 3.指馬為斑馬，變冬為夏 圖像到圖像的生成 通過已有的圖像來生成新的圖像是生成系統(tǒng)的一個非常有趣的應(yīng)用。在試驗(yàn)中，研究者們已經(jīng)可以改變視頻中的動物，或者圖片中的季節(jié)。 這一任務(wù)的目標(biāo)是學(xué)習(xí)如何通過一整套圖像對（image pair）去充分認(rèn)識輸入與輸出的圖像的聯(lián)系與區(qū)別。然而，在多數(shù)情況中，成對的訓(xùn)練數(shù)據(jù)并不好找。而解決這一問題的方法就是使用兩個完全相對的映像，一方的輸出圖像被設(shè)定成正好是對方的輸入圖像。以這樣的方法，人們得以用非常少量的數(shù)據(jù)讓人工智能認(rèn)識到兩個圖像的真實(shí)聯(lián)系（無監(jiān)督學(xué)習(xí)）。 4. 將簡略素描變成豐滿畫作 通過輪廓生成圖像 逼真的圖像處理是一項(xiàng)艱巨的任務(wù)，因?yàn)樗枰斯ぶ悄芡ㄟ^一個被用戶設(shè)定的角度去豐富圖像的表現(xiàn)，但同時他也要能夠確保最終輸出的逼真效果。這著實(shí)需要相當(dāng)高超的技巧。而一個藝術(shù)家可能需要數(shù)年的持續(xù)訓(xùn)練才可以達(dá)到這樣的程度。 研究此項(xiàng)技術(shù)的人工智能研究人員之前一直是如何做的呢？他們創(chuàng)造了一個模型。當(dāng)人們給這個模型一個物體的輪廓時，他可以成功認(rèn)出這個物體，然后基于輪廓生成一個逼真的實(shí)際圖像。 然而，在近期的一篇論文中，一位作者提議使用Generative Adversarial Neural Network（生成式對立神經(jīng)網(wǎng)絡(luò)）來使人工智能可以直接通過自然圖像背后的數(shù)據(jù)進(jìn)行學(xué)習(xí)。這樣的模型自動調(diào)節(jié)了輸出圖像的編輯，使其盡可能逼真。同時，這樣的處理可在約束優(yōu)化的條件下實(shí)現(xiàn)近乎于實(shí)時的執(zhí)行。這項(xiàng)技術(shù)如果可以進(jìn)一步發(fā)展，那我們可以期待，未來，人工智能可以將人們的草稿變成新的圖形，又或者是將一幅固定圖像改變地與目標(biāo)圖像無限接近。 5. 看字畫圖 從字到圖的自動合成 根據(jù)文本自動合成逼真圖片的技術(shù)令人向往。最近，深度卷積生成式對抗網(wǎng)絡(luò)已經(jīng)可以識別某些特定種類的文章然后生成非常引人注目的圖片，例如面龐，唱片封面和房間內(nèi)部裝飾。 這個模型被同時包含文本和他們相應(yīng)圖片的樣本數(shù)據(jù)喂養(yǎng)著。當(dāng)人們提供了任何一個事物的描述時，這個模型就會開始自動生成對應(yīng)的圖像。 在這一技術(shù)中，從文本到圖像的合成其實(shí)基于兩個步驟：首先，人工智能需要學(xué)習(xí)并識別文本中展現(xiàn)出重要視覺細(xì)節(jié)的部分，然后，通過這些特定的特點(diǎn)來合成一個足以欺騙人類的逼真圖像。 6. 讓電腦因?yàn)楹闷娑鴮W(xué)習(xí) 好奇會是深層神經(jīng)網(wǎng)絡(luò)持續(xù)探索的真實(shí)動因 在現(xiàn)實(shí)社會中，人工主體可以收到的外部獎勵基本不存在。而一個被動的程序是無法主動進(jìn)化并學(xué)習(xí)的。因此，好奇心能夠作為一個內(nèi)在獎勵的信號幫助人工主體去探索他的周圍環(huán)境并且學(xué)習(xí)之后對其有用的技能——積極的學(xué)習(xí)者一定比那些被動懶惰的人表現(xiàn)得好得多。 在這樣一個模型里，好奇心其實(shí)是每當(dāng)AI預(yù)測到自己的未來行動時就會發(fā)出錯誤預(yù)警。 這樣的機(jī)器人程序也可以同時通過程序員建造的獎勵系統(tǒng)來幫助他學(xué)習(xí)。 如果我們將人工主體想象成一個幼兒。一個沒有父母監(jiān)督的孩子非常可能會忍不住去觸碰發(fā)燙的鍋，隨即領(lǐng)悟到這個東西這么燙讓我這么疼，所以之后我一定不能夠再碰了。好奇心驅(qū)使他去探索，而獎勵機(jī)制可以告訴他這件事情是好是壞。 這樣一個“好奇心”驅(qū)動的學(xué)習(xí)是基于以下幾點(diǎn)判斷建造的： 1）極少的外部獎勵會使得好奇心與外界環(huán)境接觸并達(dá)成目標(biāo)的欲望極具減弱 2）比起沒有外部獎勵的探索，好奇心驅(qū)動的人工主體可以在學(xué)習(xí)時更加有效率 3）對于未知情景進(jìn)行概括，可以使人工主體將它們之前有過的經(jīng)歷和知識轉(zhuǎn)化為面對新環(huán)境的智慧，而不是兩眼一抹黑地從頭開始學(xué)習(xí) 這一方法也可以在以下兩個游戲環(huán)境中來檢驗(yàn)：VizDoom和超級瑪麗兄弟。 7. AI設(shè)計(jì)游戲 使用生成式對抗系統(tǒng)來設(shè)計(jì)游戲的用戶界面 想想如果我們可以生成令人信服的視頻游戲的圖像界面，那么我們就可以復(fù)制粘貼這些界面的一些元素然后為我所用。 這一技術(shù)的目標(biāo)是生成一組風(fēng)格統(tǒng)一的游戲圖像。為了達(dá)到這個目的，這個程序需要集結(jié)不同游戲的一系列圖像。然后， 通過已有圖像的各個部分來生成新的獨(dú)特的圖形，作為新游戲的背景界面。 8. 預(yù)測視頻中下一步會發(fā)生什么 基于場景動態(tài)特性生成視頻 理解物體的運(yùn)動趨勢和場景動態(tài)特性是計(jì)算機(jī)視覺的核心問題。為了實(shí)現(xiàn)視頻識別和視頻生成，我們需要一個場景轉(zhuǎn)換的模型。然而，制造這樣一個動態(tài)模型太有挑戰(zhàn)性，畢竟物體和場景都有無數(shù)種改變的方向。 而這樣看似不可能的任務(wù)被一個分割了前景和背景的模型實(shí)現(xiàn)了。這個模型強(qiáng)調(diào)了背景的固定性，從而將神經(jīng)網(wǎng)絡(luò)的大部分精力集中在了學(xué)習(xí)前景物體的移動方向上。同時，這些場景也被分門別類地分割開來，使得人工主體對于前景物體移動方向的預(yù)測更為準(zhǔn)確。 9. 生成逼真的人工臉 神經(jīng)識別人聯(lián)系統(tǒng) “Neural Faces”是一種可以生成人工（而不是真實(shí)的）人臉的一款人工智能技術(shù)。他的基礎(chǔ)就是由Facebook 的AI團(tuán)隊(duì)開發(fā)的深度卷積生成式對抗網(wǎng)絡(luò)。 這個AI團(tuán)隊(duì)，使用包含了100個0到1之間的實(shí)數(shù)的Z向矢量來生成一幅圖像。之后，這個生成器就可以逐步學(xué)習(xí)人類圖像的分布。它可以逐步學(xué)會如何生成可以蒙混分辨器的新臉，而分辨器也同時在分辨生成臉和真實(shí)人臉上越來越熟練。 10. 改變照片中的面部表情和特征 使用生成式對抗網(wǎng)絡(luò)的向量運(yùn)算 在一次實(shí)驗(yàn)中，研究人員通過一系列的樣本圖像就已經(jīng)可以成功生成人臉的各種表情。比如說，他可以把一張沒有笑的臉變成微笑的，在臉上添加裝飾品，或者強(qiáng)調(diào)面部的一些特征。 這一功能的基礎(chǔ)方法，是將圖像的每一列以 X 向矢量代表，然后通過 X 的平均數(shù)來生成 Y 向矢量的中位數(shù)。之后，在 Y 向矢量上進(jìn)行例如添加和減少的算術(shù)運(yùn)算，從而形成一個新的 Z 向矢量，即新圖像。將 Z 向矢量輸入生成器從而生成上面最右邊的結(jié)果圖。 我們可以自信的進(jìn)行其他的屬性操作，例如放大縮小，轉(zhuǎn)換方向等等。為了達(dá)到這樣的目的，我們需要將看向左邊和右邊的人臉的圖像樣本平均為一個人臉的左右向矢量。然后，通過加入對應(yīng)著圖像矢量的軸的“插值“，我們就可以成功地對這些人臉進(jìn)行這些更高級的改變了。 結(jié)論 我們現(xiàn)在還處于生成式對抗網(wǎng)絡(luò)發(fā)展的初期。以上的這些例子，雖然現(xiàn)在看起來已經(jīng)頗為令人鼓舞，但是這仍然非常基本。對于我們工程師來說，它給予了我們一個訓(xùn)練 Neural Nets 來完成任何復(fù)雜的人類任務(wù)的光明路徑。它也同時可以證明創(chuàng)造力已經(jīng)不是一個只有人類才有的特征了。 |