李宏毅——GAN
GAN的类型
标准GAN
基本的GAN：
以二次元任务为例，输入vector，输出高纬度的vector
在训练的过程中，不仅有generator，还有discriminator，判断生成的东西是不是真的。
算法：
第一步，固定G，训练D。
第二步：固定D，训练G。
但是GAN是很难训练的
后来提出了W-gan improved wgan
条件GAN
例子：文字到图片
在传统的监督学习中，表现不好，可能会产生正确图片的平均
所以用conditional GAN
D要同时看c和图片，看是否match，看是否真实
负样本不仅有差的图片，还有好图片和文字不匹配的情况。
例子：声音到图片
例子：图片到label
unsupervised conditional gan
最常用于风格的转化
** Cycle GAN**
generator倾向于生成同一个Y，不考虑输入
所以要加上一个Gy->x
还可以用在语音上面，文字上面
但是直接用来做文字的话，有个问题，输出的是desecrate的，不能微分，不好backpropagation
解决方法参考下面的文献。
例子：文字风格转换
并没有什么用系列，哈哈哈
例子：语音识别
现在的做法通常是监督学习，所以希望做到无监督学习
类似风格转换的思想