生成型神经网络如何应用于图像生成？

本文共计2134个文字，预计阅读时间需要9分钟。

最简单的X-Y映射+读书时代课本上的函数其实就是我们最早接触关于映射的概念，f(x)以某种逻辑将横坐标上的值映射到纵坐标上。后来学习编程后，接触了函数（或称方法）。

最简单的X->Y映射

读书时代课本上的函数其实就是我们最早接触关于“映射”的概念，f(x)以“某种逻辑”将横坐标轴上的值映射到纵坐标轴。后来学习编程之后接触了函数（或者叫方法）的概念，它以“某种逻辑”将函数输入映射成输出，映射逻辑就是函数本身的实现过程。映射就是将若干输入以某种逻辑转换成若干输出，课本上的函数是这样，编程中的函数是这样，深度学习中神经网络同样是这样。

图1 映射关系

最简单的映射逻辑是线性映射，类似f(x)=w*x + b这样，它的函数图像是一条直线，其中w和b是映射过程用到的参数。高中数学中的抛物线f(x)=a*x*x + b*x +c 是一种比线性映射更复杂的映射关系，同样a、b、c是该映射过程要用到的参数。 这里不管是w还是abc这样的参数，同样存在于神经网络这种高复杂度的映射过程之中，事实上，我们完全可以将神经网络类比为我们更为熟悉的直线、抛物线结构。

与我们读书学习直线、抛物线不同的是，书本中直线、抛物线函数的参数大部分时候都是已知的，而神经网络中的参数是未知的，或者说不是最优的，我们需要使用已知的样本（输入/输出）去拟合网络，从而得出最优的参数值，然后将拟合（学习）到的参数应用到新数据中（只有输入），拟合的这个过程叫做“训练模型”或者“学习”。

图2 线性映射与神经网络类比

神经网络的输入输出

前面说到映射过程有输入和输出，同样神经网络也有输入和输出。