一、Meta Learning 元学习综述 二、Few-shot Learning 小样本学习综述 三、生成对抗网络 GAN 综述 四、迁移学习综述 五、深度迁移学习综述 六、其他概念介绍：知识蒸馏、增量学习
【说在前面】本人博客新手一枚，象牙塔的老白，职业场的小白。以下内容仅为个人见解，欢迎批评指正，不喜勿喷！[握手][握手]
【再啰嗦一下】本文衔接上一个随笔：人工智能中小样本问题相关的系列模型演变及学习笔记（一）：元学习、小样本学习
GANs是一种结构化的概率模型，由两个对立的模型组成：生成模型(G)用于捕获数据分布，判别模型(D)用于估计生成数据的概率，以确定生成的数据是来自真实数据分布，还是来自G的分布。D和G使用基于梯度的优化技术(同时梯度下降)玩一个极小极大零和博弈，直到纳什均衡。
GANs在一些实际任务中表现良好，例如图像生成、视频生成、域自适应和图像超分辨率等。传统的GANs虽然在很多方面都取得了成功，但是由于D和G训练的不平衡，使得GANs在训练中非常不稳定。D利用迅速饱和的逻辑损失。另外，如果D可以很容易的区分出真假图像，那么D的梯度就会消失，当D不能提供梯度时，G就会停止更新。
近年来，对于模式崩溃问题的处理有了许多改进，因为G产生的样本基于少数模式，而不是整个数据空间。另一方面，引入了几个目标(损失)函数来最小化与传统GANs公式的差异。最后，提出了几种稳定训练的方法。
顾名思义，DCGAN主要讨论CNN与GAN如何结合使用并给出了一系列建议。另外还讨论了GAN特征的可视化、潜在空间插值等问题。
Ian Goodfellow等人提供了诸多训练稳定GAN的建议，包括特征匹配、mini-batch识别、历史平均、单边标签平滑以及虚拟批标准化等技巧。讨论了GAN不稳定性的最佳假设。
PACGAN讨论的是的如何分析model collapse，以及提出了PAC判别器的方法用于解决model collapse。思想其实就是将判别器的输入改成多个样本，这样判别器可以同时看到多个样本可以从一定程度上防止model collapse。
WGAN首先从理论上分析了原始GAN模型存在的训练不稳定、生成器和判别器的loss无法只是训练进程、生成样本缺乏多样性等问题，并通过改进算法流程针对性的给出了改进要点。
CycleGAN讨论的是image2image的转换问题，提出了Cycle consistency loss来处理缺乏成对训练样本来做image2image的转换问题。Cycle Consistency Loss 背后的主要想法，图片A转化得到图片B，再从图片B转换得到图片A'，那么图片A和图片A'应该是图一张图片。
Vid2Vid在生成器中加入光流约束，判别器中加入光流信息及对前景和背景分别建模，重点解决视频转换过程中前后帧图像的不一致性。
PGGAN创造性地提出了以一种渐进增大（Progressive growing）的方式训练GAN，利用逐渐增大的PGGAN网络实现了效果令人惊叹的生成图像。“Progressive Growing” 指的是先训练 4x4 的网络，然后训练 8x8，不断增大，最终达到 1024x1024。这既加快了训练速度，又大大稳定了训练速度，并且生成的图像质量非常高。
StackGAN是由文本生成图像，StackGAN模型与PGGAN工作的原理很像，StackGAN 首先输出分辨率为64×64 的图像，然后将其作为先验信息生成一个 256×256 分辨率的图像。
BigGAN模型是基于 ImageNet 生成图像质量最高的模型之一。该模型很难在本地机器上实现，而且 有许多组件，如 Self-Attention、 Spectral Normalization 和带有投影鉴别器的 cGAN等。
StyleGAN应该是截至目前最复杂的GAN模型，该模型借鉴了一种称为自适应实例标准化 (AdaIN) 的机制来控制潜在空间向量 z。虽然很难自己实现一个StyleGAN，但是它提供了很多有趣的想法。
当然前文有一些方法没有提到的，例如CGAN、自编码GAN等。
说到这里，放一张大佬整理的GAN家族主要模型的概要图：
同时，再分享一下生成式对抗网络(GANs)最新2020综述，分类更全面更细致：[认真看图][认真看图]
GAN 已经在一些特定应用上与其它机器学习算法相结合，例如半监督学习、迁移学习、强化学习和多模态学习等。GAN 在图像处理与计算机视觉（例如图像超分辨率、图像生成、目标检测和视频处理等）、自然语言处理（例如文本生成等）、音乐（例如歌词生成等）、语音与音频、医学以及数据科学中的典型应用（例如之前我的随笔里提到的数据补全、异常检测、时间序列预测等）。
同时，GAN 被用于特征学习领域（例如特征选择、哈希和度量学习等）和其它机器学习任务（例如主动学习、在线学习 、零/小样本学习和多任务学习等）。可以说，计算机领域的很多研究分支中的算法模型都能够互相迁移、彼此融合，从而在不同领域有了拓展性的应用。
欢迎持续关注我的下一篇随笔：人工智能中小样本问题相关的系列模型演变及学习笔记（三）：迁移学习
欢迎持续关注我的下一篇随笔：人工智能中小样本问题相关的系列模型演变及学习笔记（四）：知识蒸馏、增量学习
欢迎持续关注该专题：人工智能中小样本问题相关的系列模型演变及学习笔记（含元学习/小样本学习/生成对抗网络/迁移学习等）
如果您对异常检测感兴趣，欢迎浏览我的另一篇博客：异常检测算法演变及学习笔记
如果您对智能推荐感兴趣，欢迎浏览我的另一篇博客：智能推荐算法演变及学习笔记 、CTR预估模型演变及学习笔记
如果您对知识图谱感兴趣，欢迎浏览我的另一篇博客：行业知识图谱的构建及应用、基于图模型的智能推荐算法学习笔记
如果您对时间序列分析感兴趣，欢迎浏览我的另一篇博客：时间序列分析中预测类问题下的建模方案 、深度学习中的序列模型演变及学习笔记
如果您对数据挖掘感兴趣，欢迎浏览我的另一篇博客：数据挖掘比赛/项目全流程介绍 、机器学习中的聚类算法演变及学习笔记
如果您对人工智能算法感兴趣，欢迎浏览我的另一篇博客：人工智能新手入门学习路线和学习资源合集（含AI综述/python/机器学习/深度学习/tensorflow）、人工智能领域常用的开源框架和库（含机器学习/深度学习/强化学习/知识图谱/图神经网络）
如果你是计算机专业的应届毕业生，欢迎浏览我的另外一篇博客：如果你是一个计算机领域的应届生，你如何准备求职面试？
如果你是计算机专业的本科生，欢迎浏览我的另外一篇博客：如果你是一个计算机领域的本科生，你可以选择学习什么？
如果你是计算机专业的研究生，欢迎浏览我的另外一篇博客：如果你是一个计算机领域的研究生，你可以选择学习什么？
如果你对金融科技感兴趣，欢迎浏览我的另一篇博客：如果你想了解金融科技，不妨先了解金融科技有哪些可能？
之后博主将持续分享各大算法的学习思路和学习笔记：hello world: 我的博客写作思路
本文链接：http://task.lmcjl.com/news/5351.html
