人工智能新算法层出，谁才是他背后真正的坚强盾牌( 三 )_近年来

生成对抗网络(GAN: Generative Adversarial Networks)是于 2014年提出的一种生成模型。该算法核心思想来源于博弈论的纳什均衡，通过生成器和判别器的对抗训练进行迭代优化，目标是学习真实数据的分布，从而可以产生全新的、与观测数据类似的数据。与其他生成模型相比， GAN 有生成效率高、设计框架灵活、可生成具有更质量的样本等优势， 2016 年以来研究工作呈爆发式增长，已成为人工智能一个热门的研究方向。但 GAN 仍存在难以训练、梯度消失、模式崩溃等问题，仍处于不断研究探索的阶段。

迁移学习是利用数据、任务或模型之间的相似性，将学习过的模型应用于新领域的一类算法。迁移学习可大大降低深度网络训练所需的数据量，缩短训练时间。其中， Fine-Tune 是深度迁移学习简单的一种实现方式，通过将一个问题上训练好的模型进行简单的调整使其适用于一个新的问题，具有节省时间成本、模型泛化能力好、实现简单、少量的训练数据就可以达到较好效果的优势，已获得广泛应用。（部分内容来源于网络如有侵权请联系删除）