由于模型产生了分数， 我们还可以找出第二名、第三名等等 。 为此， 我们可以使用sort函数， 它按升序或降序对值进行排序， 并提供原始数组中已排序值的索引：




我们看到前四个是狗（redbone是一个品种；谁知道呢？）， 之后事情开始变得有趣起来 。 第五个答案是“网球”， 可能是因为图片里小狗的附近有很多网球， 于是模型会告诉我们， “有0.1%的可能性， 我错误的认为这是一个网球 。 ”这是一个很好的例子， 说明了人类和神经网络看待世界的方式有着根本的不同， 也说明了奇怪的、微妙的偏见是多么容易潜入我们的数据中 。


下面是游戏时间！我们可以继续用随机的图像来检验我们的网络， 看看它会产生什么结果 。 网络的成功与否在很大程度上取决于目标在训练中的表现是否良好 。 如果我们呈现的图像包含训练集之外的主题， 网络很可能会以相当高的可信度给出错误的答案 。 对模型如何对看不见的数据做出反应进行实验和感受是很有用的 。


我们刚刚运行了一个在2015年赢得了图像分类比赛的网络 。 它学会了从包含狗及一大堆现实世界的其他物品的图像中认出这是一条狗 。 现在我们将从图像生成开始， 了解不同的体系结构如何实现其他类型的任务 。




让我们先假设一下， 我们是职业罪犯， 想从事销售著名艺术家“丢失”油画的赝品 。 我们是罪犯， 而不是画家， 所以当我们画假的伦勃朗和毕加索作品时， 很快就会发现我们画的是业余的模仿品， 而不是真正的作品 。 即使我们花了很多时间练习， 直到能画出一幅自己看不出来是假的画， 于是试图在当地的艺术品拍卖行转手， 但是还是会让我们立刻被踢出局 。 更糟的是被别人告知“这显然是假的， 滚出去！”无助于我们的进步！我们必须随机尝试一堆东西， 衡量哪些东西花了稍长的时间才被识别为赝品， 并在我们未来的尝试中强调这些特征， 这将花费太长的时间 。


相反， 我们需要找一位道德立场可疑的艺术史学家来检查我们的作品， 告诉我们到底是什么让他们知道这幅画不合法 。 有了这些反馈， 我们就可以以清晰、有针对性的方式提高我们的输出， 直到那些粗心的学者不再能分辨出我们的画和真实的画 。


很快， 我们的画作就会出现在卢浮宫， 他们的金钱也会出现在我们的口袋里 。 我们会很富有的！


虽然这个场景有点滑稽， 但底层技术是健全的， 在未来几年里， 它可能会对数字数据的真实性产生深远的影响 。 “照片证据”的整个概念可能会不再那么可信， 因为自动制作出令人信服的假图像和视频变得十分容易 。 而这其中唯一的关键因素是数据 。 让我们看看这个过程是如何工作的 。




在深度学习的背景下， 我们刚才的描述被称为GAN game， GAN game有两个网络， 一个作为画家， 另一个作为艺术史学家， 在创作和发现赝品方面相互竞争 。 GAN代表生成对抗网络， 其中生成性意味着有东西正在被创造（在本例中， 是假的画作）， 对抗性意味着两个网络在竞争， 以智慧战胜另一个， 而网络则非常明显 。 这些网络是最近深度学习研究最原始的成果之一 。


请记住， 我们的首要目标是生成一类无法识别为假的图像的合成示例 。 当与真实的例子混合在一起时， 一个熟练的检查者也将很难确定哪些是真的， 哪些是我们的赝品 。


生成性网络在我们的场景中扮演画家的角色， 任务是从任意输入开始生成逼真的图像 。 鉴别器网络是一个不道德的艺术检查者， 需要判断一个给定的图像是由生成器制作的还是属于一组真实的图像 。 这种双网络设计对于大多数深度学习体系结构来说都是非典型的， 但是当用于实现一个GAN 游戏时， 会产生令人难以置信的结果 。

• 淘小铺和淘宝联盟各有什么优势？具体情况介绍
• 英雄联盟排位战队有哪些 英雄联盟战队排行榜在哪看
• 淘宝联盟服务商实力分升级了哪些？怎么加分？
• 淘宝联盟怎么推广自己的店铺？技巧介绍！
• 推广员如何向客户宣传家具做展销的句子？ 卖板材又做全屋定制什么搞联盟
• 淘宝联盟设置佣金规则有哪些？怎么设置佣金？
• 淘宝联盟内容库是什么？内容商品库在哪？
• 淘宝联盟内容商品库加入有难度吗？怎么加入？
• 女英雄的历史事件 女英雄有哪些角色
• 洛基里的女的是谁 复仇者联盟人物介绍洛基