Neural network 使用经过训练的神经网络模拟其训练数据

我打算设计一个散文模仿系统。它会读一堆散文，然后模仿。这主要是为了好玩，所以模仿散文不需要太多的意义，但我想尽我所能，用最少的努力

---

我的第一个想法是使用我的示例散文来训练一个分类前馈神经网络，它将其输入分类为训练数据的一部分或不是训练数据的一部分。然后我想以某种方式反转神经网络，找到新的随机输入，这些输入也被训练过的网络分类为训练数据的一部分。做这件事的明显而愚蠢的方法是随机生成单词列表，只输出分类超过某个阈值的单词列表，但我认为有更好的方法，使用网络本身将搜索限制在输入空间的某些区域。例如，您可以从一个随机向量开始，并进行梯度下降优化，以找到随机起点周围的局部最大值。有没有一个词来形容这种模仿过程？已知的方法有哪些？

关于生成性对抗网络（GAN，Goodfello 2014）及其更高级的兄弟姐妹，如深层卷积生成性对抗网络，如何？有很多合适的研究文章，还有一些更温和的介绍，比如和。引用后者：

GANs是一个有趣的想法，最初是由一位专家于2014年提出的 由伊恩领导的蒙特利尔大学研究小组 古德费罗（现在在OpenAI）。GAN背后的主要思想是有两个 竞争神经网络模型。一种是将噪声作为输入，然后 生成样本（因此称为生成器）。另一种模式 （称为鉴别器）从两个生成器接收样本 和训练数据，并且必须能够区分 两个来源。这两个网络玩一个连续的游戏，其中 生成器正在学习生成越来越多的真实样本，并且 鉴别器正在学习越来越擅长识别 区分生成的数据和真实数据。这两个网络是 同时进行训练，希望比赛能够顺利进行 使生成的样本与真实数据无法区分

---

（DC）GAN应该非常适合你的任务。

关于生成性对抗网络（GAN，Goodfello 2014）和他们更高级的兄弟姐妹，如深度卷积生成性对抗网络，如何？有很多合适的研究文章，还有一些更温和的介绍，比如和。引用后者：

GANs是一个有趣的想法，最初是由一位专家于2014年提出的 由伊恩领导的蒙特利尔大学研究小组 古德费罗（现在在OpenAI）。GAN背后的主要思想是有两个 竞争神经网络模型。一种是将噪声作为输入，然后 生成样本（因此称为生成器）。另一种模式 （称为鉴别器）从两个生成器接收样本 和训练数据，并且必须能够区分 两个来源。这两个网络玩一个连续的游戏，其中 生成器正在学习生成越来越多的真实样本，并且 鉴别器正在学习越来越擅长识别 区分生成的数据和真实数据。这两个网络是 同时进行训练，希望比赛能够顺利进行 使生成的样本与真实数据无法区分

---

（DC）甘应该很适合你的任务。

天哪，这/真的/类似于我的另一个想法！向神经网络输入噪声并对其进行训练，使噪声始终生成可信的数据！谢谢你，卢卡斯，作为参考！为一位物理学家同行准备的一切：）。祝你好运妈的，这和我的另一个想法很相似！向神经网络输入噪声并对其进行训练，使噪声始终生成可信的数据！谢谢你，卢卡斯，作为参考！为一位物理学家同行准备的一切：）。祝你好运