AL123 人文社科会员免费专区文学 2024-01-04

量子人工智能_金贤敏编著；胡俊杰编著_AZW3_MOBI_EPUB_PDF_电子书（无页码）_金贤敏编著；胡俊杰编著

内容节选

在人工智能的热潮下，2014年生成对抗网络（Generative Adversarial Network，GAN）由伊恩·古德费洛首次提出，一经提出就受到广泛关注。至今不到10年的时间，就在GAN的基础上衍生出数十种优化算法，如深度卷积生成对抗网络（Deep Convolutional Generative Adversarial Network，DCGAN）、条件生成对抗网络（Conditional Generative Adversarial Network，CGAN）、基于风格的生成对抗网络（StyleGAN）、完全监督的对抗自编码网络（Supervised Adversarial Auto Encoder，SAAE）等算法。在图像生成中可基于输入的噪声生成目标类型图像，如人脸、猫和狗的照片等，现有的换脸技术、预测年老后的外貌等均运用了对抗生成网络算法。随着机器学习对计算机计算能力和效率要求越来越高及传统计算机的“摩尔定律”逐渐失效，量子叠加、量子纠缠给未来计算机及机器学习的发展和突破提供了新的思路。基于量子的机器学习也逐渐成为新的热点，而GAN不仅可应用于图像处理领域，还在语言处理、棋类比赛程序、结构生成、计算机病毒检测等多种场景中有重要意义。基于参数化量子线路的GAN也应运而生，量子化的GAN不仅能完成经典GAN的生成对抗任务，而且在训练过程中能更快收敛。本章主要介绍经典生成对抗网络、基于参数化量子线路的判别器、经典对抗自编码网络及量子化的对抗自编码网络等。6.1 经典生成对抗网络博弈论起源于1944年一本叫Theory of Game and Economic Behavior（《博弈论和经济行为》）的书，在这基础上纳什首次用数学语言定义了非合作博弈理论并命名为纳什均衡（Nash Equilibrium）。在机器学习快速发展和各学科交叉融合发展的背景下，机器神经网络和纳什均衡为GAN的出现奠定了基石。 6.1.1 生成对抗网络介绍 GAN模型通过生成器（Generator）和判别器（Discriminator）博弈优化自身并学习样本统计性质。零和博弈是GAN的核心思想，博弈双方都尽量使自己的利益最大化，同时利益之和是一个常数，直至达到纳什均衡结束博弈。生成器和判别器相当于博弈双方，生成器的作用是使训练样本和生成样本尽可能接近，用生成样本欺骗判别器，而判别器主要对样本进行判别，正确判断输入的样本是训练样本还是生成样本。在训练过程中，判别器越来越准确，生成器也只能让生成的样本分布和训练样本的分布更加接近以欺骗判别器，两者之间产生博弈。在理想状况时，判别器的准确率为在式（6-1）中，z是输入生成器的噪声；G代表生成器；D代表判别器；则G（z）代表z输入生成器中产生的生成样本。故式（6-1）表示判别器将生成样本判定为真实样本的概率为0.5，但在GAN模型训练的实际过程中，刚好到达纳什均衡是比较困难的。以手写体图像为例，在网络中输入一幅手写体图像，输出值应该是1并对应真实（Real），如果图像不是手写体，则输出结果应该是0，对应伪造（Fake），如图6-1所示。图6-1 经典GAN网络生成器的作用是将输入的噪声生成伪造图像，判别器的作用则是把真实图像和生成图像区分开。训练的关键是引入惩罚机制，即损失函数，伪造图像通过判别器的检验，则奖励生成器；反之未通过判别器的检验，则惩罚生成器。在训练过程中，生成器需要尽可能地骗过判别器，而判别器则尽可能地鉴定出伪造图像，GAN的训练过程也可以表示为生成器和判别器之间的最小和最大博弈。式（6-2）中，G代表生成器；D代表判别器；p（z）代表输入噪声的先验数据分布；x表示训练样本；D（x）表示输入样本是真实样本的概率。 6.1.2 GAN的训练过程及代码步骤一：向判别器展示一幅训练样本中的图像，并让判别器对输入样本进行判定。输出结果应为1，并用损失函数更新判别器，如图6-2所示。步骤二：依旧训练判别器，向它展示生成器的伪造图像，即生成样本。输出结果应是0，然后用损失函数更新判别器，注意这一步不用更新生成器，如图6-3所示。 ▲图6-2 步骤一 ▲图6-3 步骤二步骤三：训练生成器，用它生成一幅伪造图像，并将伪造图像输入判别器进行辨别。判别器的预期输出应该是1，也就是期望判别器未鉴别出此图像为伪造图像，成功骗过判别器，用结果的损失函数更新生成器，但不用更新判别器，如图6-4所示。图6-4 步骤三确定生成对抗网络的意义及训练过程后，可基于PyTorch实现。在开始写代码前除了导入所需的Torch包，还需要安装torchvision和matplotlib。在自定义的虚拟环境下，安装命令如下： # 安装torchvision和matplotlib $conda instal......