DeepMind的TF Hub demo詮釋「史上最強 GAN 圖像生成器」

　　上圖是樣本生成單元格的控制界面，可以控制：生成樣本數量、截斷值、噪聲種子、和類別的參數。我們可以看看下圖的例子來說明各自的作用。

　　如上圖所示，很容易看出，生成樣本數量(10)和類別(芝士漢堡)就是字面的意思，那么截斷值、噪聲種子分別有什么作用呢?僅用一張圖看不出來，我們修改一下參數看看區別就行了。

　　這時，我們只需要拖動滑塊來修改參數，然后 Colab 會立刻執行新參數設置下的任務，但這也意味著我們一次只能修改一個參數。

　　經過多次實驗，我們發現，截斷值越大，生成樣本的多樣性越大;實際上，截斷值控制的是隱變量分布(一般呈高斯型)的截斷距離，也就是采樣范圍，因此不難理解其對多樣性的作用。

　　從上到下：截斷值為 0.02、0.26、0.58、1.0 的芝士漢堡生成結果。

　　而噪聲種子的值對生成結果的影響主要是每次生成樣本的初始條件，從而最終生成結果也會不同，可以用它來改善生成多樣性。

　　最后是類別參數的控制，該 Colab 中提供了 1000 個類別選項，可玩性很足，但要找到自己想要的類別實在有點困難。可以這樣操作，雙擊這個單元格，代碼會顯示在左側，右側會出現鉛筆圖標，點擊該圖標后就能查看完整列表，在這個列表下用 Ctrl+F 搜索類別的編號，再返回修改，這樣就簡單多了。

　　我們嘗試生成了埃及貓(285)和大熊貓(388)的樣本：

　　可以發現，埃及貓的眼神不太對，大熊貓有點營養不良。論文給出的結果很真實自然，但在這個 Colab 實驗中我們也能發現存在很多「不自然」的生成樣本。

　　接下來，我們來嘗試圖像插值任務。

　　如上圖所示，這個任務的可控參數有：樣本數量、插值數量、截斷值、噪聲種子、以及用于插值的圖像類別 A 和 B。樣本數量是指每次插值時類別 A 和類別 B 的的初始樣本數量，如下圖所示樣本數量為 2。下圖展示了一些示例，供大家參考。注意該圖像插值是生成樣本之間的插值，所以左右兩側的原圖也會有些不自然。

　　圖像插值結果示例，其中樣本數量為 2、插值數量為 5、截斷值為 0.2、噪聲種子為 0、類別 A 為金毛、類別 B 為雞。

　　其它參數不變，插值數量為 10 的插值結果示例。

　　金毛和埃及貓的圖像插值結果。

　　知道怎么用了吧?自己去耍吧～