原创 苹果首份人工智能学术论文看点，GANs要火

苹果终于发表了人工智能方面的首篇论文，题为《Learning from Simulated and Unsupervised Images through Adversarial Training》，主要描述了通过对抗训练从模拟的和无监督的图像中学习的技术。也就是说，模拟+无监督学习的方法，可以用来提高训练计算机系统图像识别的等等能力。

苹果人工智能学术论文全文：

Learning from Simulated and Unsupervised Images through Adversarial

这篇论文讲述了如何用计算机系统生成图像，而不是真实的图像来训练一种算法的图像识别能力。

越来越多的机器学习模型中开始使用合成的图像和视频训练。这是因为真实的图像数据需要耗费巨大的人力和时间去标记数据，比如哪张图片是猫，哪张图片是狗。而计算机生成合成的图像是已经被标注了数据信息。不过弊端就是有时合成图像数据不够真实，神经网络只能了解到合成图像中所呈现的细节，而对真实图像的认识有所不足。

解决这一问题就是苹果这篇论文的目的。

论文里面有几个词。

GANs（Generative Adversarial Nets），生成对抗网络。这种技术，通过相互对抗两种神经网络生成更现实更真实的图片。它并不是一种新的技术，它是由Ian Goodfellow在2014年提出的。（很明显，苹果的这份论文，让GANs又火了把。）

生成对抗网络是一对网络相互竞争：一个是生成器网络（Generator Network），由训练库里的概率分布中将随机向量生成新的样本；另一个是判别器网络（Discriminator Network），判别图片是真的（来自数据集）还是假的（来自生成器网络）。两个神经网络彼此对抗，就像拿矛的斗士和拿盾的斗士，相互竞争，矛越来越锋利，盾越来越坚固。

苹果在这篇论文里面也用到了类似GANs的做法，但是以合成图像作为输入值，而不是随机向量。

苹果提出了“SimGAN”训练方法，“Sim”指的是“模拟器”。苹果提出了模拟+无监督（S + U）学习，向模拟器添加现实性，并保留合成图像的全局结构和注释。SimGAN包括：模拟器（Simulator）+ 精制器（Refiner）+ 判别器（Discriminator）。模拟器合成图像，再用精制器优化，最后输入判别器训练， 精制器和判别器网络是相互交替更新的。

斯坦福专家 Rkaplan说，苹果对GAN的“升级”是有意义的，训练过GAN的人都知道，训练效果真的很不稳定。

你可以看到，尽管苹果的研究并不是很有突破性，但想法很好，公开的态度也很好。

不管怎样，这都是一起标志性事件，苹果要来AI界搅局了。

鉴于苹果的影响力，码完字得去瞧瞧国内有没有做类似技术的，上市否，哈哈···