女士们，先生们，请注意：

正如你们所知，我非常热衷于生成性的敌对网络或组织。这是三篇博客系列文章中的第三篇也是最后一篇，大数据处理平台，之前我们讨论了deepfakes和GANs的工作原理。在这篇文章中，我将分享我在本地运行的GAN网络的结果。它能够生成足够高质量的手写数字，使得鉴别器无法分辨实际样本和生成的样本之间的差异。这是为了测试网络在一个非常受控且相对简单的数据集上的行为。

样本数据来自MNIST数据集，其中包含60000个样本的训练集。我使用的Python代码最初是由Diego Gomez Mosquera编写的，可以在这里找到。

我对代码的修改无关紧要，只是为了让它在我自己的Jupyter笔记本上运行。我没有尝试在SAP Cloud平台Cloud Foundry上运行它—但是如果您看到这样做的目的，请报告您的发现。

我使用原始代码建议的其他值运行了100个历元的GAN—并将随机噪声作为生成器的输入。

第一个历元显示随机噪声：

已经在两个历元之后，中移物联网，我们可以看到一些东西正在形成：

20个时代后，大数据前景如何，一些类似数字的东西在输出中非常明显：

100圈后的最终结果显示出相当好的结果：

100个时代后的结果。鉴别器的损耗比发电机的高，因为发电机现在很擅长它的工作，鉴别器被愚弄的次数也更多了！我们创造了或多或少可信的数字和图像。再运行100个时代的培训可能已经修复了剩余的缺陷。从简单的手写数字到艺术品或复杂的照片将需要不同的网络布局，但概念是相同的：伪造者、专家和他们之间的竞争。

到目前为止，车险返现，这还没有被纳入SAP的环境中，甚至与SAP的业务领域或流程有关。也许你对如何应用这项技术来解决现有的问题或创造新的机会有想法。如果是，请评论，分享和贡献！

/西门

推特：https://twitter.com/simenhuuse

LinkedIn：https://www.linkedin.com/in/simenhuuse/

来源：

迭戈·戈麦斯·莫斯奎拉，物联网安全，《白手起家的甘斯1：深度介绍》。在PyTorch和TensorFlow"URL:https://medium.com/ai-society/gans-from-scratch-1-a-deep-introduction-with-code-in-pytorch-and-tensorflow-cb03cdcdba0fGoodfello等人2016，"生成性对抗网络"网址：https://arxiv.org/pdf/1406.2661.pdf