「生成對抗網路」指的是什麼意思？ "Generative&hlt; 描述了與歧視模型形成對比的統計模型類別。
非正式：
- 產生型模型可產生新的資料執行個體。
- 「可歧視」模型可區分不同類型的資料執行個體。
生成模型可以產生新的動物，產生如真實的動物，而辨別模型可以辨識貓咪的狗。GAN 只是一個創造型模型的。
更正式地，根據一組資料執行個體 X 和一組標籤 Y：
- 生成模型會擷取結合機率 p(X、Y)；如果沒有標籤，則只擷取 p(X)。
- 歧視模型會擷取條件機率 p(Y | X)。
生成模型包含資料本身的分佈，並且會顯示特定範例的可能性。例如，預測序列中下一個字詞的模型通常是生成模型 (通常比 GAN 簡單)，因為模型為其指派字詞序列的可能性。
歧視模型會忽略特定執行個體是否可能存在的問題，並且只會指出標籤套用至執行個體的可能性。
請注意，這只是一般定義，生成模型有很多種，GAN 只是一個產生的模型，
模擬機率
任何類型的模型都不必傳回代表機率的數值。您可以模擬資料分佈的情況，藉此模擬資料的分佈情形。
例如，「決策」等歧視分類器可針對執行個體加上標籤，而不必指派標籤給該標籤。這類分類器仍是模型，因為所有預測標籤的分佈都會建立資料中實際標籤分佈的模型。
同樣地，生成模型也可以產生「假」資料，建立模型的模型分佈模型。
生成模型比較困難
相較於類似於歧視模型，生成模型處理的工作較為困難。生成模型必須建立更多模型。
圖片的生成模型可能會擷取與「船隻」這類關聯性，例如「船」看起來可能會像「水」之類的東西，而「眼睛」不太可能顯示在前景上。這些是非常複雜的發行方式。
相反地，另一個歧視模型可以學習「帆船」或「帆船」之間的差異，只要研究一些改動的模式即可。它可能會忽略許多生成模型必須正確的相關性。
可分割模型會嘗試在資料空間內繪製界線，生成模型會嘗試模擬資料在整個空間中的放置方式。例如，下圖顯示手寫數字的歧視與生成模型：
圖 1：手寫數字的歧視性和生成模型。
歧視模型會嘗試在資料空間中繪製一行，藉此辨識手寫 0's 和 1's 之間的差異。如果這行正確，它可以區分 0' 和 1' 的 0'，而無需將執行個體完全置於線條兩側資料空間的模型。
相反地，生成模型會嘗試產生接近資料空間中實際對應項目的數字，藉此產生令人信服的 1's 和 0's。必須在整個資料空間中模擬分佈情形。
GAN 提供了一種有效的方式，可以訓練這種豐富的模型來模擬真正的分佈情形。要瞭解它們的運作方式，我們將需要瞭解 GAN 的基本結構。
瞭解您的理解程度：生成模式與歧視模型
- 擲三個六面骰子。
- 將卷數乘以常數 w。
- 重複執行 100 次，佔所有結果的平均值。