AI的落地/产品化与科研/竞赛的主要区别体现在哪里？
有没有关于生成对抗网络的通俗性介绍？ 你怎么教一台从未见过人脸的机器学会绘出人脸？计算机可以存储拍字节级的照片，但它却不知道怎样一堆像素组合才具有与人类外表相关的含义。多年以来，已经出现了很多各种各样旨在解决这一问题的生成模型。它们使用了各种不同的假设来建模数据的基本分布，有的假设太强，以至于根本不实用。对于我们目前的大多数任务来说，这些方法的结果仅仅是次优的。使用隐马尔可夫模型生成的文本显得很笨拙，而且可以预料；变分自编码器生成的图像很模糊，而且尽管这种方法的名字里面有「变」，但生成的图像却缺乏变化。所有这些缺陷都需要一种全新的方法来解决，而这样的方法最近已经诞生了。在这篇文章中，我们将对生成对抗网络（GAN）背后的一般思想进行全面的介绍，并向你展示一些主要的架构以帮你很好地开始学习，另外我们还将提供一些有用的技巧，可以帮你显著改善你的结果。GAN 的发明生成模型的基本思想是输入一个训练样本集合，然后形成这些样本的概率分布的表征。常用的生成模型方法是直接推断其概率密度函数。在我第一次学习生成模型时，我就禁不住想：既然我们已经有如此多的真实训练样本了，为什么还要麻烦地做这种事呢？答案很有说服力，这里给出了几个需要优秀生成模型的。
如何看待Geoffrey Hinton的言论，深度学习要另起炉灶，彻底抛弃反向传播？ 更新（17-09-21）关于 Capsule 的细节和具体理念，由于太长太超纲，我将其单独作为一篇文章发表了：https：// zhuanlan.zhihu.com/p/29 435406 这是言论的主要出处： 。
