以下是关于学习对抗神经网络的相关内容：
课程地址：https://www.cloudskillsboost.google/course_templates/541视频学习：https://youtu.be/J0AuVBxzui0这是Google的一个AI入门课程，介绍扩散模型，这是一类在图像生成领域最近显示出潜力的机器学习模型。扩散模型的灵感来源于物理学，特别是热力学。在过去的几年中，扩散模型在研究和工业中都变得很受欢迎。扩散模型是Google Cloud上许多最先进的图像生成模型和工具的基础。本课程将向你介绍扩散模型背后的理论，以及如何在Vertex AI上训练和部署它们。[heading2]视频字幕[content]大家好，我叫Kyle Steckler，我是Google Cloud高级解决方案实验室团队的一名机器学习工程师，在本次演讲中我们将深入介绍图像生成[heading1]扩散模型在图像生成领域的应用[content]图像生成已经存在很长时间了，它一直是一个极具吸引力的研究领域。尽管您可能已经听说过许多有趣的方法，这些方法已经被用于图像生成，但随着时间的推移，一些更有前途的方法逐渐脱颖而出。[heading2]变分自动编码器[content]例如，变分自动编码器（Variational Autoencoders，VAEs）将图像编码为压缩的形式，然后在学习数据本身的分布时解码回原始大小。[heading2]生成对抗模型（GAN）[content]生成对抗模型（Generative Adversarial Networks，GANs）也非常流行。这些模型极为引人注目，它们让两个神经网络相互对抗。一个神经网络（生成器）负责创建图像，另一个神经网络（鉴别器）预测图像是真实的还是伪造的。随着时间的推移，鉴别器变得越来越擅长区分真伪，而生成器则越来越擅长创建逼真的图像。您可能已经听说过“DeepFake”这个词，它便是基于这一技术。[heading2]自回归模型[content]最后是自回归模型。这些模型通过将图像视为一系列像素来生成图像。自回归模型的现代方法实际上从大型语言模型（如GPT）如何处理文本中汲取了很多灵感。
非监督学习：非监督学习最著名的就是聚类。非监督学习并不需要准确告诉AI系统需要输出什么。只是需要给出大量数据，然后让AI从中找出有趣的信息。迁移学习：任务A中学习的内容，可以用于帮助完成任务B。许多计算机视觉实际是使用了迁移学习。强化学习：当输出好时强化。输出差时惩罚。使用“奖励信号”来告诉AI什么时候做的好或差，AI会自动学习最大化奖励。做得好时，给一个正数权重，做得差时，给一个负数权重。缺点是需要大量的数据。生成对抗网络：生成对抗网络是一种深度学习模型，由两个神经网络构成：生成器和判别器。生成器负责生成虚拟数据，判别器则负责判断这些数据是真实数据还是虚拟数据。两个网络不断反复训练和竞争，从而不断提高生成器生成真实数据的能力，直到生成的数据与真实数据无法区分。GAN可以用于图像、声音、文本等各种类型的数据生成和合成，被广泛应用于计算机视觉、自然语言处理等领域。知识图谱：在搜索时，展示知识图谱。这些信息是从知识图谱中产生的，意味着列出这些人和与其相关的关键信息，如生日，年纪等。酒店知识图谱可能包含大量信息，让人们在查地图时，可以快速找到准确信息。
从2012到现在，深度神经网络的使用呈爆炸式增长，进展惊人。现在Machine Learning领域的大部分研究都集中在Deep Learning方面，就像进入了潘多拉的魔盒被开启了的时代。配图06：AI进化史GAN生成对抗网络（GAN-Generative Adversarial Network）是Deep Learning领域里面另一个重要的里程碑，诞生于2014年，它可以帮助神经网络用更少的数据进行学习，生成更多的合成图像，然后用来识别和创建更好的神经网络。GANs的创造者Ian Goodfellow是在蒙特利尔的一个酒吧里想出这个主意的，它由两个神经网络玩着猫捉老鼠的游戏，一个创造出看起来像真实图像的假图像，而另一个则决定它们是否是真的。配图07：GANs模拟生产人像的进化GANs将有助于创建图像，还可以创建现实世界的软件模拟，Nvidia就大量采用这种技术来增强他的现实模拟系统，开发人员可以在那里训练和测试其他类型的软件。你可以用一个神经网络来“压缩”图像，另一个神经网络来生成原始视频或图像，而不是直接压缩数据，Demis Hassabis在他的一篇论文中就提到了人类大脑“海马体”的记忆回放也是类似的机制。大规模神经网络大规模神经网络的竞赛从成立于2011年的Google Brain开始，现在属于Google Research。他们推动了TensorFlow语言的开发，提出了万能模型Transformer的技术方案并在其基础上开发了BERT，我们在第四章中将详细讨论这些。