接下來，我們要為你介紹一款能夠偽造人臉影象的ai——neural face。neural face使用了facebook 人工智慧研究團隊開發的深度卷積神經網路（dcgan）。
研發團隊用由100個0到1的實數組成的1個向量z來代表每一張影象。
通過計算出人類影象的分布，生成器就可以用高斯分布（gaussian distribution）根據向量z來生成影象。在此過程中，生成器學習生成新的人臉影象來欺騙判別器，同時判別器也能更好地區分加工生成的人臉影象和真實的人臉影象。
在這一應用中，你只需要提供一些樣本影象，研究人員就能生成表情各異的人臉影象。比如，你可以讓乙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：將影象的每一列用向量x來表示，計算每乙個x的平均值，從而得到乙個y向量。
然後，對向量y進行一些加法和減法運算，生成乙個單一的影象向量z（如：戴眼鏡的男性-不帶眼鏡的男性+不帶眼鏡的女性）。最後，把這個影象向量z輸入生成器中。
將一張頭像靠左的人臉影象變為靠右的影象
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。以位置變換為例，我們可以將一張頭像靠左的人臉影象轉變為靠右的影象。
為此，我們可以先把向頭像靠左和靠右的人臉影象作為樣本，對它們取平均值，得到乙個「翻轉影象」向量。然後，沿著座標軸對影象向量進行插值（我們就可以將這種「轉變」應用到新的人臉影象上了。
**&更多資訊：github、*****、blog
接下來，我們將為你介紹google brain研發的google deep dream。這一應用基於 googlenet對物體本質的「認知」視覺化。
通過此方法，gans能夠學會生成一些「迷幻」的。這些如夢似幻的影象是分類器故意過度處理影象的結果。
deep dream 用普通影象生成迷幻
deep dream在影象中「找」到了塔、建築、鳥和昆蟲
當你向google deep dream輸送一張影象後，該應用就會開始在影象中尋找各類曾被訓練識別的物體。神經網路會將一些毫不相關的物體聯絡起來，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，當神經網路第一次作出影象識別時，它會認為這張圖有40%的可能是乙隻小狗，而經過一輪處理後，神經網路就會認為可能性增加到了60%。這個過程會不斷重複，直到輸入已被修改得非常像一條狗了。
就這樣，它一步步地把原影象調整成另外一張影象。換句話說，創造出了「四不像」的。
該應用的核心在於，使用一組訓練影象對來學習對映輸入和輸出影象。然而，在許多情況下，配對訓練影象並不容易獲得。為了克服這一問題，我們可以採用「雙邊映象繪圖」的方式，將一種變換的輸入作為另一中變換的輸出。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：
季節轉換—在影象中改變季節，例如將冬季轉為夏季，或將冬季轉為春季。
修改逼真影象是一項富有挑戰性的工作，它要求在寫實的基礎上以使用者控制的方式改變影象的外觀。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影象
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影象。
在該**中 ，作者提出一種使用生成對抗網路，從資料中直接學習自然影象流形的方法。模型能夠自動調整輸出結果，以保證內容盡可能真實，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變得更像另一張，或者根據使用者的塗鴉產生全新的影象。
為實現這一目標，我們需要乙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，神經網路能夠了解哪些物體是運動的，哪些物體是靜止的。
**&更多資訊：*****、github、page
gans也可以幫助研發自學習人工智慧機械人。此前，該領域的研究多涉及獎勵機制的應用。
運用gans的方法，科研人員向人工智慧主體輸入真實的演示資料，然後人工智慧主體就能通過資料學習嘗試模仿相同的動作。
乙個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乙個獎勵函式，用於向**機器反饋符合預期的行為。然而，這種方式在實踐中為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，則是讓人工智慧主體從例項中學習（例如遠端遙控機器或者人類活動提供的案例），省去了設計獎勵函式的麻煩。
在很多現實世界的情境中，對人工智慧主體的外部獎勵是非常少的，或者說根本沒有。如此一來，一段被動的程式就會因為它自身的固有屬性，無法進化和學習。
在這種情況下，「好奇心」可以作為內建的獎勵訊號激勵人工智慧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」被設定為 ai**它自身行為後果能力中的誤差。當然了，在這樣的語境下，ai也可以通過程式設計師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模擬。乙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——因為疼痛，也因為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），貪吃蛇學著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）以下面三點作為基礎：
看完了以上這些應用，你是不是對生成式對抗網路刮目相看了呢。然而，這些只不過是生成式對抗網路初試身手罷了。相對於生成式對抗網路所能完成的工作而言，這些應用只是冰山一角。生成式對抗網路為我們提供了乙個強有力的訓練神經網路的方法，讓機器能夠完成任何乙個人類能夠完成的複雜任務。
生成式對抗網路（gans）向我們證明了：創造力不再是人類所獨有的特質了。
對抗神經網路（GAN）
對抗神經網路其實是兩個網路的組合，可以理解為乙個網路生成模擬資料，另乙個網路判斷生成的資料是真實的還是模擬的。生成模擬資料的網路要不斷優化自己讓判別的網路判斷不出來，判別的網路也要優化自己讓自己判斷得更準確。二者關係形成對抗，因此叫對抗神經網路。實驗證明，利用這種網路間的對抗關係所形成的網路，在無監...
神經網路 卷積神經網路
這篇卷積神經網路是前面介紹的多層神經網路的進一步深入，它將深度學習的思想引入到了神經網路當中，通過卷積運算來由淺入深的提取影象的不同層次的特徵，而利用神經網路的訓練過程讓整個網路自動調節卷積核的引數，從而無監督的產生了最適合的分類特徵。這個概括可能有點抽象，我盡量在下面描述細緻一些，但如果要更深入了...
神經網路 卷積神經網路
1.卷積神經網路概覽 來自吳恩達課上一張，通過對應位置相乘求和，我們從左邊矩陣得到了右邊矩陣，邊緣是白色寬條，當畫素大一些時候，邊緣就會變細。觀察卷積核，左邊一列權重高，右邊一列權重低。輸入，左邊的部分明亮，右邊的部分灰暗。這個學到的邊緣是權重大的寬條 都是30 表示是由亮向暗過渡，下面這個圖左邊暗...