Autoencoders & GANs

Autoencoders的应用：

可以用于数据的降维，特别是视觉有关的数据。也可以作为特征提取器。同时还可以作为生成模型来生成新的数据，只不过Autoencoder生成的图像都比较模糊，看起来不真实。

GANs的应用：

超清图像（提升图像的清晰度）；图像的编辑，取出图像中的杂物；将草图绘制成一张照片级的图片；预测视频中的下一帧；生成其他类型的数据；增加模型训练的数据集；检测模型的弱点等。

GANs很难train的原因：

这里提到了一个纳什均衡点，不是很理解，后面再补充。

纳什均衡在GANs中要达到的状态就是：Generator生成以假乱真的图片，Discriminator则是分别以50%的概率判断这张图片为真，反之为假。但是要达到这样理想的状态，最大的困难被称之为：mode collapse，具体的含义是说Generator的输出变得越来越没有多样化了。为什么会产生这样的现象呢？比如说当Generator生成一双鞋子可以达到以假乱真，但是生成衣服，帽子其他物品的时候就没有办法想生成鞋子这么逼真，那么Generator就会想一直生成鞋子，而不去生成其他的物品，因为这样它可以很好地骗过Discriminator。这样子的话就会导致Generator无法对每个类别都生成很真实的照片。