产品经理看AIGC--GAN（生成对抗网络）白话原理

Posted 2023-03-08 梦想周知

《AIGC：智能创作时代》的阅读随笔（推荐单独阅读第二章，其余章节快速略过），期待从业务角度而非推导角度更好的理解，为产品从业人员提供更好的了解沟通渠道。

如何理解对抗 

如何从白话角度理解生成对抗网络，核心在于如何理解“对抗”，通俗的字面理解“对抗”，我们会联想到对立事件的博弈，例如NBA的训练场上，球星想要练习投篮的稳定性，此时会有一名训练师来进行针对性的防守，从而发现并提升球星的短板，例如投篮的球速太慢，投篮的高度不够等等。

在GAN算法的角度上，对抗源于生成器和判别器。

通过一个生成器和一个判别器的相互对抗，来实现图像或文字等元素的生成过程。（原始的GAN并不要求生成器和判别器都是一个深度神经网络，但是在实践中通常都采用深度神经网络去构建GAN）

生成器

我们可以向生成器(Generator)输入包含一串随机数的向量，生成器会根据这一串随机数生成并输出图像或句子。向量里的每一个数字都会与生成的图像或句子的特征相关联。

打一个并不严谨的比方，假设生成器收到的输入是[0.1,-0.5,0.2 …0.9]，据此生成了一张小猫的图片，而第一个数是和小猫的颜色相关的，当你把0.1换成0.2时，小猫可能就从橘猫变成了白猫。

因为随机数是可以随意构造的，因此我们就可以利用生成器生成各种各样的新图片。不过，和一般的神经网络一样，在生成之前会有提前训练的过程，我们需要准备一个全是各种各样小猫图片的数据集供生成器训练。

判别器

判别器(Discriminator)用于评价生成器生成的图像或句子到底看起来有多么真实。判别是否真实的方式也很简单，就是看这个图像或句子像不像来自生成器训练用的数据集，因为数据集是最真实的。

我们可以向判别器输入一个生成的图像或句子，判别器会输出一个数值（也被称为得分）。一般来说，我们会使用0到1的区间来表示得分，如果这个图像或句子非常像数据集里的真实数据，得分就会靠近1；反之，得分就会靠近0。

生成对抗过程

以图像生成的过程为例，生成器就好像一个学习画画的学生，而判别器就是评价学生画作的老师。一开始，学生读一年级，他看了一堆小猫的图片，然后随便画了一只猫，老师看了看学生画的猫，说画得不够逼真，看不清小猫的两只眼睛，这就是最开始的生成器和判别器的交互过程。

学生努力练习画画，终于画好了小猫的两只眼睛，老师一看说合格了，然后学生升到了二年级，老师也开始依照二年级的评价标准去评价学生的画作，相当于生成器和判别器的性能都提升了。

升到二年级后，学生再拿出原来的小猫画作肯定就无法令老师满意了，老师会觉得画得不够真实，无法看清小猫的脸部轮廓，于是学生又反复练习修改，直到令老师满意，于是学生升到三年级。

如此循环往复，学生画画的水平会越来越精湛，画作看起来越来越真实。

而老师判别画作的标准也会越来越严苛，督促学生完善画技，这就是生成器和判别器对抗过程的基本思想，而就具体的实现过程来说，可以把GAN的训练过程分为两个步骤。

生成对抗过程示意图

步骤一：固定生成器，更新判别器

首先，生成器抽取一些包含一系列随机数的向量，输入生成器之中，生成器会生成一系列图片。这时，在生成器内部参数不变的情况下，判别器需要从生成器训练的数据集中抽取一部分图片，将它们和生成器生成的图片一起做学习训练。

判别器需要调整内部参数，学习给真实的图片打高分，给生成器生成的假图片打低分。就好比如果想要让老师指导学生，首先需要对老师进行教学技能培训，让老师先学会评价标准，才能去教育和考查学生。

步骤二：固定判别器，更新生成器

判别器训练好之后，保持内部参数不变，生成器需要调整内部参数进行训练，以学会如何在判别器那里取得高分。这个过程就像学生反复考试一样，在每次复盘自己的失误进行改进后，终有一天会达到老师的标准。

应用

虽然GAN的一些变体也可以用于句子这种文本类信息的生成，但因为对于离散型数据的处理能力较差（为什么处理离散型数据的处理能力较差，对于产品同学而言，我觉得了解一款算法的优势和劣势即可，对于推导的原理不用过多的关注）AIGC应用最广泛的场景还是在图像之中，或是与图像相关的跨模态生成中。

一些可能存在的商机，C端场景下，例如实现二次元人物生成现实照片，按照次数解锁付费，或者以次作为内容生产二次创作。在更B的场景下，针对性的提高企业某个生产环节的生产效率，但是如何提升其壁垒，仍然是重中之重。

---

写在最后：为什么产品经理要关注算法？

产品的决策最终是要回归到理性的策略上的，而算法是最贴近策略的，产品需要做的是了解算法的应用场景和优势劣势，在特定的场景下进行组合，最终对产品的用户体验和商业化负责。